目 录__eol__第 1 部分 机器学习基础算法__eol__第 1 章 基于线性回归的销售量预测 2__eol__1.1 机器学习概述 2__eol__1.2 线性回归 4__eol__1.2.1 回归的概念 4__eol__1.2.2 线性回归模型 4__eol__1.3 梯度下降算法 7__eol__1.4 线性回归模型的构建 8__eol__1.4.1 线性回归模型构建的一般步骤 8__eol__1.4.2 线性回归模型的评估方法与度量指标 9__eol__1.5 案例实现——基于线性回归的销售量预测 9__eol__本章总结 13__eol__作业与练习 14__eol__第 2 章 非线性数据的多项式回归 15__eol__2.1 多项式回归 16__eol__2.1.1 多项式回归的概念 16__eol__2.1.2 0-1 标准化 16__eol__2.1.3 Z-Score 标准化 18__eol__2.1.4 特征拓展 19__eol__2.2 模型训练问题与解决方法 22__eol__2.2.1 欠拟合与过拟合 22__eol__2.2.2 正则化方法 23__eol__2.3 案例实现——非线性数据的__eol__多项式回归 24__eol__本章总结 31__eol__作业与练习 31__eol__第 3 章 基于逻辑回归算法的 乳腺癌患病预测 33__eol__3.1 逻辑回归算法 33__eol__3.1.1 逻辑回归算法概述 33__eol__3.1.2 概率估算 34__eol__3.1.3 损失函数 35__eol__3.2 分类数据的预处理 36__eol__3.2.1 欠采样与过采样 36__eol__3.2.2 数据的标签化 37__eol__3.2.3 数据的独热编码 38__eol__3.3 模型的性能评估 40__eol__3.3.1 数值型模型评估方法 40__eol__3.3.2 几何型模型评估方法 42__eol__3.4 案例实现——基于逻辑回归算法的乳腺癌患病预测 44__eol__本章总结 48__eol__作业与练习 49__eol__第 4 章 基于 k-NN 算法的分类 50__eol__4.1 k-NN 算法 51__eol__4.1.1 k-NN 算法概述 51__eol__4.1.2 样本距离的度量 51__eol__4.1.3 k-NN 算法的工作原理 51__eol__4.1.4 k-NN 算法的三个要素 53__eol__4.2 k-NN 算法加速思路 54__eol__4.3 案例实现 55__eol__4.3.1 案例 1——基于 k-NN 算法的电影分类 55__eol__4.3.2 案例 2——基于 k-NN 算法的鸢尾花数据集分类 58__eol__本章总结 61__eol__作业与练习 61__eol__第 5 章 基于决策树算法的回归预测与 分类 62__eol__5.1 决策树的介绍 62__eol__5.2 决策树的构建 65__eol__5.2.1 特征选择 65__eol__5.2.2 决策树的构建过程 67__eol__5.2.3 决策树剪枝 69__eol__5.2.4 连续特征的处理方法 70__eol__5.3 决策树可视化 70__eol__5.4 案例实现 71__eol__5.4.1 案例 1——基于决策树算法的商品销售量回归预测 71__eol__5.4.2 案例 2——基于决策树算法的鸢尾花数据集分类 73__eol__本章总结 76__eol__作业与练习 76__eol__第 6 章 基于 k-Means 算法的聚类 78__eol__6.1 k-Means 算法 79__eol__6.1.1 k-Means 算法概述 79__eol__6.1.2 k-Means 算法的工作原理 79__eol__6.1.3 k-Means 算法的流程 80__eol__6.2 最佳 k 值的确定方法 80__eol__6.2.1 手肘法 81__eol__6.2.2 轮廓系数法 81__eol__6.3 k-Means 算法的改进 82__eol__6.3.1 k-Means++算法 83__eol__6.3.2 k-MeansⅡ算法 83__eol__6.3.3 Mini-Batch k-Means算法 83__eol__6.4 案例实现 84__eol__6.4.1 案例 1——基于手肘法使用 k-Means 算法的饮料聚类 84__eol__6.4.2 案例 2——基于轮廓系数法使用 k-Means 算法的饮料聚类 87__eol__本章总结 89__eol__作业与练习 90__eol__第 7 章 基于 SVM 算法的分类与 回归预测 91__eol__7.1 SVM 算法概述 91__eol__7.2 SVM 算法的工作原理 92__eol__7.2.1 硬间隔 SVM 算法 92__eol__7.2.2 软间隔 SVM 算法 95__eol__7.3 核函数 95__eol__7.4 SVM 回归 97__eol__7.5 案例实现 97__eol__7.5.1 案例 1——基于 SVM 算法的鸢尾花数据集分类 97__eol__7.5.2 案例 2——基于 SVM 算法的数据回归分析 100__eol__本章总结 104__eol__作业与练习 104__eol__第 8 章 随机森林揭秘 105__eol__8.1 集成学习概述 105__eol__8.2 集成学习的实现方式 107__eol__8.2.1 Bagging 算法 107__eol__8.2.2 Boosting 算法 107__eol__8.3 集成学习的组合策略 108__eol__8.3.1 平均法 108__eol__8.3.2 投票法 108__eol__8.3.3 学习法 109__eol__8.4 随机森林 109__eol__8.4.1 随机森林概述 109__eol__8.4.2 随机森林特征选择 110__eol__8.4.3 OOB 处理方式 110__eol__8.5 案例实现 111__eol__8.5.1 案例 1——使用随机森林进行森林植被类型的预测 111__eol__8.5.2 案例 2——使用随机森林进行共享单车每小时租用量的预测 113__eol__本章总结 115__eol__作业与练习 115__eol__第 9 章 基于朴素贝叶斯算法的中文预测 116__eol__9.1 贝叶斯算法 117__eol__9.1.1 数学基础回顾 117__eol__9.1.2 贝叶斯公式 118__eol__9.2 朴素贝叶斯算法 119__eol__9.2.1 朴素贝叶斯算法的由来 119__eol__9.2.2 拉普拉斯平滑 120__eol__9.3 朴素贝叶斯算法家族 121__eol__9.3.1 高斯朴素贝叶斯算法 121__eol__9.3.2 多项式朴素贝叶斯算法 122__eol__9.4 中文文本预测 123__eol__9.4.1 词频处理 123__eol__9.4.2 jieba 分词器 125__eol__9.5 案例实现——基于朴素贝叶斯算法的中文预测 126__eol__本章总结 129__eol__作业与练习 129__eol__第 10 章 基于 PCA 降维的图片重构 131__eol__10.1 降维 131__eol__10.1.1 降维的作用 131__eol__10.1.2 降维的理解 132__eol__10.2 SVD 算法解析 133__eol__10.2.1 特征值分解 133__eol__10.2.2 奇异值分解 133__eol__10.2.3 降维可视化效果 134__eol__10.2.4 降维在图片压缩中的应用 136__eol__10.3 PCA 降维 138__eol__10.3.1 PCA 降维的工作原理 138__eol__10.3.2 使用 PCA 底层算法实现图片重构的流程 139__eol__10.4 案例实现——基于 PCA 降维的图片重构 139__eol__本章总结 143__eol__作业与练习 143__eol__第 2 部分 机器学习基础算法综合应用__eol__第 11 章 学生分数预测 146__eol__11.1 数据集分析 146__eol__11.2 案例实现——学生分数预测 147__eol__本章总结 161__eol__作业与练习 161__eol__第 12 章 自闭症患者预测 163__eol__12.1 数据集分析 163__eol__12.2 案例实现——自闭症患者预测164__eol__本章总结 175__eol__作业与练习 175__eol__第 13 章 淘宝用户价值分析 176__eol__13.1 数据集分析 176__eol__13.2 RFM 模型 177__eol__13.3 雷达图 178__eol__13.4 案例实现——淘宝用户价值分析 178__eol__本章总结 191__eol__作业与练习 191__eol__第 14 章 耳机评论情感预测 192__eol__14.1 数据集分析 192__eol__14.2 案例实现——耳机评论情感预测 193__eol__本章总结 200__eol__作业与练习 200__eol__第 3 部分 机器学习进阶算法与应用__eol__第 15 章