机器学习与经济大数据分析：基于Python实现 数字中国·数字经济创新规划教材 刘征驰

本书是一本以Python语言为工具，融合数学、信息科学与经济学等多领域知识的交叉学科教材。本书有以下特点：
· 将机器学习建模思想分散融入各类数学模型中。例如，将“模型拟合”融入线性回归，将“模型评估”融入逻辑回归，将“核函数”融入支持向量机，将“集成学习”融入决策树？？？？帮助读者体会隐藏于模型背后的机器学习建模核心思想，有效提高学习效率。
· 注重模型原理、代码实现与应用场景的紧密结合。对于每个机器学习模型，先以一个简洁例子引入其应用场景，再通过数学建模介绍算法内在逻辑并辅以核心代码实现，最后结合实际场景展示模型应用效果，达到理论、技术、应用的融会贯通。
· 配备丰富数字资源。各章均配有习题答案、插图原图以及教辅资源，既便于教师备课和授课，也有利于学生课后进一步领会和练习书中内容。此外，本书还提供两个编程技术附录—《附录 A:Python 语言编程基础》便于读者零基础入门 Python 语言；《附录 B:Python 数据分析工具包》帮助读者熟悉与大数据分析相关的 Python 工具包。如需要，可按书中提示获取。

面对数字经济背景下大数据分析的现实需求，《机器学习与经济大数据分析：基于Python实现》分别从经济理论阐述、数学原理推导、程序代码实现三个角度，系统全面地阐释了各类经典机器学习模型的理论内涵和适用范围，以及基于 Python 编程语言进行算法训练、模型测试和参数调优的具体方法。《机器学习与经济大数据分析：基于Python实现》配有A、B两个附录，介绍了 Python 语言基本语法规则，以及经济大数据分析所涉及的Python 工具包。
《机器学习与经济大数据分析：基于Python实现》旨在培养能够综合运用经济学思维、数理分析方法、数据科学工具，分析和解决经济社会发展中的理论和实际问题的复合型人才；可作为高等院校经济管理、计算机等专业本科生、研究生、MBA 教材，也可作为相关企业员工内部培训教程或经济数据分析从业者的参考读物。

刘征驰，湖南大学经济与贸易学院教授、博士生导师、数字经济系主任，美国匹兹堡大学访问学者；主要研究方向为数据要素驱动的数字经济发展与治理，如数据要素市场、平台竞争与治理、数据要素与经济增长等；近年来主持多项国家自然科学基金和省部级基金课题；获国家科学技术进步奖二等奖、湖南省科学技术进步奖一等奖；在 European Journal ofOperational Research、《中国工业经济》《系统工程理论与实践》等期刊发表多篇学术论文。

第1章 经济大数据分析概论// 1
1. 1 数字经济时代的大数据 // 1
1. 2 大数据分类 // 2
1. 3 机器学习简述 // 4
1. 4 机器学习与计量经济学的方法差异 // 5
1. 5 机器学习与计量经济学的融合应用 // 8
本章小结 // 9
课后习题 // 10
第2章 机器学习与数据分析 // 11
2. 1 机器学习基本原理 // 11
2. 2 机器学习工具包: Scikit-learn // 16
2. 3 Scikit-learn 高级API // 30
2. 4 经济数据分析案例 // 43
本章小结 // 59
课后习题 // 59
第3章 线性回归与模型拟合 // 61
3. 1 线性回归模型 // 61
3. 2 模型拟合问题 // 72
3. 3 偏差与方差 // 82
3. 4 过拟合与正则化 // 89
本章注释 // 97
本章小结 // 97
课后习题 // 98
第4章 逻辑回归与模型评估 // 99
4. 1 从线性回归到逻辑回归 // 99
4. 2 二元分类预测案例 // 104
4. 3 多元分类问题 // 113
4. 4 模型评估方法 // 117
本章注释 // 128
本章小结 // 129
课后习题 // 129
第5章 支持向量机与核函数 // 131
5. 1 支持向量机模型 // 131
5. 2 近似线性可分情形 // 136
5. 3 支持向量机与逻辑回归的差异 // 143
5. 4 核函数基本原理 // 148
5. 5 非线性支持向量机 // 150
5. 6 模型拓展: 支持向量回归 // 155
5. 7 财政收入预测案例 // 157
本章注释 // 170
本章小结 // 170
课后习题 // 171
第6章 决策树与集成学习 // 172
6. 1 决策树模型 // 172
6. 2 集成学习 // 181
6. 3 树的横向集成: 随机森林 // 185
6. 4 树的纵向集成: 梯度提升树 // 189
6. 5 决策树和逻辑回归集成 // 193
6. 6 银行借贷风险预测案例 // 201
本章注释 // 223
本章小结 // 224
课后习题 // 224
第7章 贝叶斯分类与生成式学习 // 226
7. 1 贝叶斯分类模型原理 // 226
7. 2 基于朴素贝叶斯的文本分类 // 231
7. 3 基于LDA 的文本主题分析 // 246
7. 4 对生成式学习的延伸讨论 // 262
本章注释 // 265
本章小结 // 265
课后习题 // 265
第8章 聚类降维与无监督学习 // 267
8. 1 监督学习与无监督学习 // 267
8. 2 聚类模型: K -均值聚类 // 268
8. 3 降维模型: 主成分分析 // 278
8. 4 客户价值分析案例 // 293
本章小结 // 306
课后习题 // 307