机器学习：Python实践

A.6 聚类分析

A.5 scikit-learn的算法选择路径

A.4 树模型可视化

A.3 SciPy、NumPy、Matplotlib和Pandas文档

A.2 Python文档

A.1 IDE PyCharm介绍

附录A

22.9 总结

22.8 确定最终模型

22.7 集成算法调参

22.6 集成算法

22.5 算法调参

22.4 评估算法

22.3 文本特征提取

22.2 导入数据

22.1 问题定义

22 文本分类实例

21.9 总结

21.8 确定最终模型

21.7 集成算法

21.6 算法调参

21.5 评估算法

21.4 分离评估数据集

21.3 分析数据

21.2 导入数据

21.1 问题定义

21 二分类实例

20.11 总结

20.10 确定最终模型

20.9 集成算法调参

20.8 集成算法

20.7 调参改善算法

20.6 评估算法

20.5 分离评估数据集

20.4 数据可视化

20.3 理解数据

20.2 导入数据

20.1 定义问题

20 回归项目实例

19.5 总结

19.4 使用模板的小技巧

19.3 各步骤的详细说明

19.2 机器学习项目的Python模板

19.1 在项目中实践机器学习

19 预测模型项目模板

第七部分 项目实践

18.4 总结

18.3 生成模型的技巧

18.2 通过joblib序列化和反序列化机器学习的模型

18.1 通过pickle序列化和反序列化机器学习的模型

18 持久化加载模型

第六部分 结果部署

17.4 总结

17.3 随机搜索优化参数

17.2 网格搜索优化参数

17.1 机器学习算法调参

17 算法调参

16.5 总结

16.4 投票算法

16.3 提升算法

16.2 装袋算法

16.1 集成的方法

16 集成算法

第五部分 优化模型

15.4 总结

15.3 特征选择和生成模型的Pipeline

15.2 数据准备和生成模型的Pipeline

15.1 机器学习的自动流程

15 自动流程

14.3 总结

14.2 机器学习算法的比较

14.1 选择最佳的机器学习算法

14 算法比较

13.4 总结

13.3 非线性算法

13.2 线性算法

13.1 算法概述

13 审查回归算法

12.5 总结

12.4 非线性算法

12.3 线性算法

12.2 算法概述

12.1 算法审查

12 审查分类算法

11.4 总结

11.3 回归算法矩阵

11.2 分类算法矩阵

11.1 算法评估矩阵

11 算法评估矩阵

10.6 总结

10.5 重复随机分离评估数据集与训练数据集

10.4 弃一交叉验证分离

10.3 K折交叉验证分离

10.2 分离训练数据集和评估数据集

10.1 评估算法的方法

10 评估算法

第四部分 选择模型

9.6 总结

9.5 特征重要性

9.4 主要成分分析

9.3 递归特征消除

9.2 单变量特征选定

9.1 特征选定

9 数据特征选定

8.7 总结

8.6 二值数据

8.5 标准化数据

8.4 正态化数据

8.3 调整数据尺度

8.2 格式化数据

8.1 为什么需要数据预处理

8 数据预处理

第三部分 数据准备

7.3 总结

7.2 多重图表

7.1 单一图表

7 数据可视化

6.8 总结

6.7 数据的分布分析

6.6 数据属性的相关性

6.5 数据分组分布（适用于分类算法）

6.4 描述性统计

6.3 数据属性和类型

6.2 数据的维度

6.1 简单地查看数据

6 数据理解

5.6 总结

5.5 采用Pandas导入数据

5.4 采用NumPy导入数据

5.3 采用标准Python类库导入数据

5.2 Pima Indians数据集

5.1 CSV文件

5 数据导入

第二部分 数据理解

4.5 总结

4.4 Pandas速成

4.3 Matplotlib速成

4.2 NumPy速成

4.1 Python速成

4 Python和SciPy速成

3.7 总结

3.6 实施预测

3.5 评估算法

3.4 数据可视化

3.3 概述数据

3.2 导入数据

3.1 机器学习中的Hello World项目

3 第一个机器学习项目

2.5 总结

2.4 环境安装

2.3 scikit-learn

2.2 SciPy

2.1 Python

2 Python机器学习的生态圈

1.8 总结

1.7 代码说明

1.6 这本书不涵盖以下内容

1.5 学习机器学习的技巧

1.4 学习机器学习的原则

1.3 Python中的机器学习

1.2 什么是机器学习

1.1 学习机器学习的误区

1 初识机器学习

第一部分 初始

前言

序言

版权信息

封面

封面

版权信息

序言

前言

第一部分 初始

1 初识机器学习

1.1 学习机器学习的误区

1.2 什么是机器学习

1.3 Python中的机器学习

1.4 学习机器学习的原则

1.5 学习机器学习的技巧

1.6 这本书不涵盖以下内容

1.7 代码说明

1.8 总结

2 Python机器学习的生态圈

2.1 Python

2.2 SciPy

2.3 scikit-learn

2.4 环境安装

2.5 总结

3 第一个机器学习项目

3.1 机器学习中的Hello World项目

3.2 导入数据

3.3 概述数据

3.4 数据可视化

3.5 评估算法

3.6 实施预测

3.7 总结

4 Python和SciPy速成

4.1 Python速成

4.2 NumPy速成

4.3 Matplotlib速成

4.4 Pandas速成

4.5 总结

第二部分 数据理解

5 数据导入

5.1 CSV文件

5.2 Pima Indians数据集

5.3 采用标准Python类库导入数据

5.4 采用NumPy导入数据

5.5 采用Pandas导入数据

5.6 总结

6 数据理解

6.1 简单地查看数据

6.2 数据的维度

6.3 数据属性和类型

6.4 描述性统计

6.5 数据分组分布（适用于分类算法）

6.6 数据属性的相关性

6.7 数据的分布分析

6.8 总结

7 数据可视化

7.1 单一图表

7.2 多重图表

7.3 总结

第三部分 数据准备

8 数据预处理

8.1 为什么需要数据预处理

8.2 格式化数据

8.3 调整数据尺度

8.4 正态化数据

8.5 标准化数据

8.6 二值数据

8.7 总结

9 数据特征选定

9.1 特征选定

9.2 单变量特征选定

9.3 递归特征消除

9.4 主要成分分析

9.5 特征重要性

9.6 总结

第四部分 选择模型

10 评估算法

10.1 评估算法的方法

10.2 分离训练数据集和评估数据集

10.3 K折交叉验证分离

10.4 弃一交叉验证分离

10.5 重复随机分离评估数据集与训练数据集

10.6 总结

11 算法评估矩阵

11.1 算法评估矩阵

11.2 分类算法矩阵

11.3 回归算法矩阵

11.4 总结

12 审查分类算法

12.1 算法审查

12.2 算法概述

12.3 线性算法

12.4 非线性算法

12.5 总结

13 审查回归算法

13.1 算法概述

13.2 线性算法

13.3 非线性算法

13.4 总结

14 算法比较

14.1 选择最佳的机器学习算法

14.2 机器学习算法的比较

14.3 总结

15 自动流程

15.1 机器学习的自动流程

15.2 数据准备和生成模型的Pipeline

15.3 特征选择和生成模型的Pipeline

15.4 总结

第五部分 优化模型

16 集成算法

16.1 集成的方法

16.2 装袋算法

16.3 提升算法

16.4 投票算法

16.5 总结

17 算法调参

17.1 机器学习算法调参

17.2 网格搜索优化参数

17.3 随机搜索优化参数

17.4 总结

第六部分 结果部署

18 持久化加载模型

18.1 通过pickle序列化和反序列化机器学习的模型

18.2 通过joblib序列化和反序列化机器学习的模型

18.3 生成模型的技巧

18.4 总结

第七部分 项目实践

19 预测模型项目模板

19.1 在项目中实践机器学习

19.2 机器学习项目的Python模板

19.3 各步骤的详细说明

19.4 使用模板的小技巧

19.5 总结

20 回归项目实例

20.1 定义问题

20.2 导入数据

20.3 理解数据

20.4 数据可视化

20.5 分离评估数据集

20.6 评估算法

20.7 调参改善算法

20.8 集成算法

20.9 集成算法调参

20.10 确定最终模型

20.11 总结

21 二分类实例

21.1 问题定义

21.2 导入数据

21.3 分析数据

21.4 分离评估数据集

21.5 评估算法

21.6 算法调参

21.7 集成算法

21.8 确定最终模型

21.9 总结

22 文本分类实例

22.1 问题定义

22.2 导入数据

22.3 文本特征提取

22.4 评估算法

22.5 算法调参

22.6 集成算法

22.7 集成算法调参

22.8 确定最终模型

22.9 总结

附录A

A.1 IDE PyCharm介绍

A.2 Python文档

A.3 SciPy、NumPy、Matplotlib和Pandas文档

A.4 树模型可视化

A.5 scikit-learn的算法选择路径

A.6 聚类分析