返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • Python机器学习原理与算法实现 杨维忠,张甜 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 杨维忠、张甜著
    • 出版社: 清华大学出版社
    • 出版时间:2023-02-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 杨维忠、张甜著
    • 出版社:清华大学出版社
    • 出版时间:2023-02-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2023-02-01
    • 字数:762000
    • 页数:427
    • 开本:其他
    • 装帧:平装
    • ISBN:9787302626114
    • 国别/地区:中国
    • 版权提供:清华大学出版社

    Python机器学习原理与算法实现

    作  者:杨维忠,张甜 著
    定  价:118
    出 版 社:清华大学出版社
    出版日期:2023年02月01日
    页  数:452
    装  帧:平装
    ISBN:9787302626114
    主编推荐

    清晰解释Python运行代码,深入浅出讲解机器学习原理,精选商业建模实践案例,演绎常用机器学习算法,精准解读运行结果。

    内容简介

    数字化转型背景下,Python作为一门简单、易学、速度快、免费、开源的主流编程语言,广泛应用于大数据处理、人工智能、云计算等各个领域,是众多高等院校学生的必修基础课程,也是堪与Office办公软件应用比肩的职场人士的推荐技能。同时随着数据存储、数据处理等大数据技术的快速进步,机器学习的各种算法在各行各业得以广泛应用,同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“机器学习课程学习”有机结合,推动数字化人才的培养,提升人才的实践应用能力。全书内容共17章。第1、2章介绍Python的入门知识和进阶知识;第3章介绍机器学习的概念及各种术语及评价标准;第4~10章介绍相对简单的监督式学习方法,包括线性回归算法、二元Logistic回归算法、多元Logistic回归算法、判别分析算法、朴素贝叶斯算法、高维数据惩罚回归算法、K近null

    作者简介

    杨维忠,山东大学经济学硕士,CPA,十年商业银行工作经历,历任运营、风控、营销、内控等多个职位,擅长商务建模,精通SPSS、Stata、EViews,编著有《SPSS数据挖掘与案例分析应用实践》 《Stata统计分析与实验指导》等近十本畅销书。 张甜,山东大学金融学博士生,金融风险领域研究专家,参与《地方金融运行动态监测及系统性风险预警研究》等多项重大项目,精通SPSS、Stata、R语言,编著有《SPSS统计分析与行业应用案例详解》 《Stata统计分析与行业应用案例详解》等畅销书。

    精彩内容

    目录
    第1章 Python入门知识 1
    1.1 Python简介与本书的教学理念 1
    1.2 Python的下载与安装 2
    1.2.1 下载Python(Anaconda平台) 2
    1.2.2 安装Python(Anaconda平台) 4
    1.2.3 Anaconda Prompt(Anaconda3) 6
    1.2.4 Spyder(Anaconda3)的介绍及偏好设置 7
    1.2.5 Spyder(Anaconda3)窗口介绍 10
    1.3 Python注释、基本输入与输出 16
    1.3.1 Python的注释 16
    1.3.2 print函数 17
    1.3.3 input函数 17
    1.4 Python变量和数据类型 18
    1.4.1 Python的保留字与标识符 18
    1.4.2 Python的变量 19
    1.4.3 Python的基本数据类型 20
    1.4.4 Python的数据运算符 23
    1.5 Python序列 25
    1.5.1 索引(Indexing) 26
    1.5.2 切片(Slicing) 26
    1.5.3 相加(Adding) 27
    1.5.4 相乘(Multiplying) 28
    1.5.5 元素检查 28
    1.5.6 与序列相关的内置函数 28
    1.6 Python列表 30
    1.6.1 列表的基本操作 30
    1.6.2 列表元素的基本操作 32
    1.6.3 列表推导式 33
    1.7 Python元组 34
    1.7.1 元组的基本操作 34
    1.7.2 元组元素的基本操作 35
    1.7.3 元组推导式 36
    1.8 Python字典 37
    1.8.1 字典的基本操作 37
    1.8.2 字典元素的基本操作 39
    1.8.3 字典推导式 40
    1.9 Python集合 41
    1.10 Python字符串 42
    1.11 习题 46
    第2章 Python进阶知识 48
    2.1 Python流程控制语句 48
    2.1.1 选择语句 48
    2.1.2 循环语句 50
    2.1.3 跳转语句 52
    2.2 Python函数 53
    2.2.1 函数的创建和调用 53
    2.2.2 参数的相关概念与操作 53
    2.2.3 变量的作用域 56
    2.3 Python模块和包 58
    2.3.1 模块的创建和导入 58
    2.3.2 包的创建和使用 61
    2.4 Python numpy模块中的数组 63
    2.4.1 数组的创建 63
    2.4.2 数组的计算 65
    2.4.3 使用数组开展矩阵运算 66
    2.4.4 数组的排序、索引和切片 66
    2.5 Python pandas模块中的序列与数据框 67
    2.5.1 序列的相关操作 67
    2.5.2 数据框的相关操作 69
    2.6 Python对象与类 74
    2.6.1 类的定义 74
    2.6.2 定义适用于类对象的方法 75
    2.6.3 子类从父类继承 76
    2.7 Python数据读取 76
    2.7.1 读取文本文件(CSV或者TXT文件) 77
    2.7.2 读取EXCEL数据 80
    2.7.3 读取SPSS数据 81
    2.7.4 读取Stata数据 82
    2.8 Python数据检索 83
    2.9 Python数据缺失值处理 84
    2.9.1 查看数据集中的缺失值 84
    2.9.2 填充数据集中的缺失值 86
    2.9.3 删除数据集中的缺失值 89
    2.10 Python数据重复值处理 91
    2.10.1 查看数据集中的重复值 91
    2.10.2 删除数据集中的重复值 92
    2.11 Python数据行列处理 94
    2.11.1 删除变量列、样本行 94
    2.11.2 更改变量列名称、调整变量列顺序 95
    2.11.3 改变列的数据格式 96
    2.11.4 多列转换 96
    2.11.5 数据百分比格式转换 97
    2.12 习题 98
    第3章 机器学习介绍 99
    3.1 机器学习概述 99
    3.2 机器学习术语 100
    3.3 机器学习分类 101
    3.4 误差、泛化、过拟合与欠拟合 102
    3.5 偏差、方差与噪声 103
    3.5.1 偏差 103
    3.5.2 方差 103
    3.5.3 噪声 103
    3.5.4 误差与偏差、方差、噪声的关系 104
    3.5.5 偏差与方差的权衡 104
    3.6 性能量度 105
    3.6.1 “回归问题监督式学习”的性能量度 105
    3.6.2 “分类问题监督式学习”的性能量度 106
    3.7 模型评估 111
    3.7.1 验证集法 111
    3.7.2 K折交叉验证 112
    3.7.3 自助法 113
    3.8 机器学习项目流程 114
    3.9 习题 118
    第4章 线性回归算法 119
    4.1 线性回归算法的基本原理 119
    4.1.1 线性回归算法的概念及数学解释 119
    4.1.2 线性回归算法的优缺点 120
    4.2 数据准备 121
    4.2.1 导入分析所需要的模块和函数 121
    4.2.2 数据读取及观察 122
    4.3 描述性分析 123
    4.4 图形绘制 125
    4.4.1 直方图 125
    4.4.2 密度图 127
    4.4.3 箱图 128
    4.4.4 小提琴图 128
    4.4.5 正态QQ图 129
    4.4.6 散点图和线图 130
    4.4.7 热力图 131
    4.4.8 回归拟合图 132
    4.4.9 联合分布图 132
    4.5 正态性检验 133
    4.5.1 Shapiro-Wilk test检验 133
    4.5.2 kstest检验 134
    4.6 相关性分析 135
    4.7 使用statsmodels进行线性回归 137
    4.7.1 使用 smf 进行线性回归 137
    4.7.2 多重共线性检验 139
    4.7.3 解决多重共线性问题 140
    4.7.4 绘制拟合回归平面 141
    4.8 使用sklearn进行线性回归 142
    4.8.1 使用验证集法进行模型拟合 142
    4.8.2 更换随机数种子,使用验证集法进行模型拟合 143
    4.8.3 使用10折交叉验证法进行模型拟合 143
    4.8.4 使用10折重复10次交叉验证法进行模型拟合 144
    4.8.5 使用留一交叉验证法进行模型拟合 144
    4.9 习题 145
    第5章 二元Logistic回归算法 147
    5.1 二元Logistic回归算法的基本原理 147
    5.2 数据准备 148
    5.2.1 导入分析所需要的模块和函数 149
    5.2.2 数据读取及观察 150
    5.3 描述性分析 152
    5.4 数据处理 154
    5.4.1 区分分类特征和连续特征并进行处理 154
    5.4.2 将样本全集分割为训练样本和测试样本 154
    5.5 建立二元Logistic回归算法模型 155
    5.5.1 使用statsmodels建立二元Logistic回归算法模型 155
    5.5.2 使用sklearn建立二元Logistic回归算法模型 159
    5.5.3 特征变量重要性水平分析 162
    5.5.4 绘制ROC曲线,计算AUC值 165
    5.5.5 计算科恩kappa得分 166
    5.6 习题 167
    第6章 多元Logistic回归算法 169
    6.1 多元Logistic回归算法的基本原理 169
    6.2 数据准备 170
    6.2.1 导入分析所需要的模块和函数 170
    6.2.2 数据读取及观察 171
    6.3 描述性分析及图形绘制 172
    6.3.1 描述性分析 172
    6.3.2 绘制直方图 173
    6.3.3 绘制箱图 173
    6.4 数据处理 175
    6.4.1 区分分类特征和连续特征并进行处理 175
    6.4.2 将样本全集分割为训练样本和测试样本 175
    6.5 建立多元Logistic回归算法模型 175
    6.5.1 模型估计 176
    6.5.2 模型性能分析 176
    6.6 习题 179
    第7章 判别分析算法 180
    7.1 判别分析算法的基本原理 180
    7.1.1 线性判别分析的基本原理 180
    7.1.2 线性判别分析的算法过程 181
    7.1.3 二次判别分析的基本原理 182
    7.2 数据准备 183
    7.2.1 导入分析所需要的模块和函数 184
    7.2.2 线性判别分析降维优势展示 185
    7.2.3 数据读取及观察 187
    7.3 特征变量相关性分析 188
    7.4 使用样本全集开展线性判别分析 189
    7.4.1 模型估计及性能分析 189
    7.4.2 运用两个特征变量绘制LDA决策边界图 192
    7.5 使用分割样本开展线性判别分析 193
    7.6 使用分割样本开展二次判别分析 195
    7.6.1 模型估计 195
    7.6.2 运用两个特征变量绘制QDA决策边界图 196
    7.7 习题 197
    第8章 朴素贝叶斯算法 198
    8.1 朴素贝叶斯算法的基本原理 198
    8.1.1 贝叶斯方法的基本原理 198
    8.1.2 贝叶斯定理 199
    8.1.3 朴素贝叶斯算法的基本原理 201
    8.1.4 拉普拉斯修正 202
    8.1.5 朴素贝叶斯算法分类及适用条件 202
    8.2 数据准备 203
    8.2.1 案例数据说明 203
    8.2.2 导入分析所需要的模块和函数 205
    8.3 高斯朴素贝叶斯算法示例 205
    8.3.1 数据读取及观察 206
    8.3.2 将样本全集分割为训练样本和测试样本 207
    8.3.3 高斯朴素贝叶斯算法拟合 207
    8.3.4 绘制ROC曲线 207
    8.3.5 运用两个特征变量绘制高斯朴素贝叶斯决策边界图 208
    8.4 多项式、补集、二项式朴素贝叶斯算法示例 208
    8.4.1 数据读取及观察 209
    8.4.2 将样本全集分割为训练样本和测试样本 209
    8.4.3 多项式、补集、二项式朴素贝叶斯算法拟合 210
    8.4.4 寻求二项式朴素贝叶斯算法拟合的很优参数 210
    8.4.5 很优二项式朴素贝叶斯算法模型性能评价 213
    8.5 习题 214
    第9章 高维数据惩罚回归算法 216
    9.1 高维数据惩罚回归算法简介 216
    9.1.1 高维数据惩罚回归算法的基本原理 216
    9.1.2 岭回归 217
    9.1.3 Lasso回归 217
    9.1.4 弹性网回归 218
    9.1.5 惩罚回归算法的选择 218
    9.2 数据准备 218
    9.2.1 导入分析所需要的模块和函数 220
    9.2.2 数据读取及观察 220
    9.3 变量设置及数据处理 221
    9.4 岭回归算法 222
    9.4.1 使用默认惩罚系数构建岭回归模型 222
    9.4.2 使用留一交叉验证法寻求很优惩罚系数构建岭回归模型 223
    9.4.3 使用K折交叉验证法寻求很优惩罚系数构建岭回归模型 224
    9.4.4 划分训练样本和测试样本下的很优岭回归模型 225
    9.5 Lasso回归算法 226
    9.5.1 使用随机选取惩罚系数构建岭回归模型 226
    9.5.2 使用留一交叉验证法寻求很优惩罚系数构建Lasso回归模型 227
    9.5.3 使用K折交叉验证法寻求很优惩罚系数构建Lasso回归模型 227
    9.5.4 划分训练样本和测试样本下的很优Lasso回归模型 228
    9.6 弹性网回归算法 229
    9.6.1 使用随机选取惩罚系数构建弹性网回归模型 229
    9.6.2 使用K折交叉验证法寻求很优惩罚系数构建弹性网回归模型 230
    9.6.3 划分训练样本和测试样本下的很优弹性网回归模型 231
    9.7 习题 231
    第10章 K近邻算法 233
    10.1 K近邻算法简介 233
    10.1.1 K近邻算法的基本原理 233
    10.1.2 K值的选择 235
    10.1.3 K近邻算法的变种 235
    10.2 数据准备 236
    10.2.1 案例数据说明 236
    10.2.2 导入分析所需要的模块和函数 236
    10.3 回归问题K近邻算法示例 237
    10.3.1 变量设置及数据处理 237
    10.3.2 构建K近邻回归算法模型 237
    10.3.3 如何选择很优的K值 238
    10.3.4 很优模型拟合效果图形展示 239
    10.4 分类问题K近邻算法示例 240
    10.4.1 变量设置及数据处理 240
    10.4.2 构建K近邻分类算法模型 241
    10.4.3 如何选择很优的K值 242
    10.4.4 很优模型拟合效果图形展示 243
    10.4.5 绘制K近邻分类算法ROC曲线 243
    10.4.6 运用两个特征变量绘制K近邻算法决策边界图 244
    10.4.7 普通KNN算法、带权重KNN、指定半径KNN三种算法的对比 245
    10.5 习题 246
    第11章 主成分分析算法 248
    11.1 主成分分析算法简介 248
    11.1.1 主成分分析算法的基本原理 248
    11.1.2 主成分分析算法的数学概念 249
    11.1.3 主成分的特征值 250
    11.1.4 样本的主成分得分 250
    11.1.5 主成分载荷 251
    11.2 数据准备 252
    11.2.1 案例数据说明 252
    11.2.2 导入分析所需要的模块和函数 253
    11.2.3 变量设置及数据处理 253
    11.2.4 特征变量相关性分析 254
    11.3 主成分分析算法示例 256
    11.3.1 主成分提取及特征值、方差贡献率计算 256
    11.3.2 绘制碎石图观察各主成分特征值 256
    11.3.3 绘制碎石图观察各主成分方差贡献率 257
    11.3.4 绘制碎石图观察主成分累积方差贡献率 258
    11.3.5 计算样本的主成分得分 258
    11.3.6 绘制二维图形展示样本在前两个主成分上的得分 259
    11.3.7 绘制三维图形展示样本在前三个主成分上的得分 260
    11.3.8 输出特征向量矩阵,观察主成分载荷 260
    11.4 习题 261
    第12章 聚类分析算法 262
    12.1 聚类分析算法简介 262
    12.1.1 聚类分析算法的基本原理 262
    12.1.2 划分聚类分析 263
    12.1.3 层次聚类分析 263
    12.1.4 样本距离的测度 265
    12.2 数据准备 267
    12.2.1 案例数据说明 268
    12.2.2 导入分析所需要的模块和函数 268
    12.2.3 变量设置及数据处理 269
    12.2.4 特征变量相关性分析 270
    12.3 划分聚类分析算法示例 271
    12.3.1 使用K均值聚类分析方法对样本进行聚类(K=2) 271
    12.3.2 使用K均值聚类分析方法对样本进行聚类(K=3) 271
    12.3.3 使用K均值聚类分析方法对样本进行聚类(K=4) 272
    12.4 层次聚类分析算法示例 273
    12.4.1 最短联结法聚类分析 273
    12.4.2 最长联结法聚类分析 274
    12.4.3 平均联结法聚类分析 275
    12.4.4 ward联结法聚类分析 277
    12.4.5 重心联结法聚类分析 278
    12.5 习题 279
    第13章 决策树算法 280
    13.1 决策树算法简介 280
    13.1.1 决策树算法的概念与原理 280
    13.1.2 特征变量选择及其临界值确定方法 282
    13.1.3 决策树的剪枝 284
    13.1.4 包含剪枝决策树的损失函数 284
    13.1.5 变量重要性 285
    13.2 数据准备 285
    13.2.1 案例数据说明 285
    13.2.2 导入分析所需要的模块和函数 287
    13.3 分类问题决策树算法示例 287
    13.3.1 变量设置及数据处理 287
    13.3.2 未考虑成本-复杂度剪枝的决策树分类算法模型 288
    13.3.3 考虑成本-复杂度剪枝的决策树分类算法模型 291
    13.3.4 绘制图形观察叶节点总不纯度随alpha值的变化情况 291
    13.3.5 绘制图形观察节点数和树的深度随alpha值的变化情况 292
    13.3.6 绘制图形观察训练样本和测试样本的预测准确率随alpha值的变化情况 293
    13.3.7 通过10折交叉验证法寻求很优alpha值 294
    13.3.8 决策树特征变量重要性水平分析 295
    13.3.9 绘制ROC曲线 296
    13.3.10 运用两个特征变量绘制决策树算法决策边界图 297
    13.4 回归问题决策树算法示例 298
    13.4.1 变量设置及数据处理 298
    13.4.2 未考虑成本-复杂度剪枝的决策树回归算法模型 299
    13.4.3 考虑成本-复杂度剪枝的决策树回归算法模型 300
    13.4.4 绘制图形观察叶节点总均方误差随alpha值的变化情况 300
    13.4.5 绘制图形观察节点数和树的深度随alpha值的变化情况 301
    13.4.6 绘制图形观察训练样本和测试样本的拟合优度随alpha值的变化情况 302
    13.4.7 通过10折交叉验证法寻求很优alpha值并开展特征变量重要性水平分析 302
    13.4.8 很优模型拟合效果图形展示 304
    13.4.9 构建线性回归算法模型进行对比 305
    13.5 习题 305
    第14章 随机森林算法 307
    14.1 随机森林算法的基本原理 307
    14.1.1 集成学习的概念与分类 307
    14.1.2 装袋法的概念与原理 308
    14.1.3 随机森林算法的概念与原理 309
    14.1.4 随机森林算法特征变量重要性量度 309
    14.1.5 部分依赖图与个体条件期望图 309
    14.2 数据准备 310
    14.2.1 案例数据说明 310
    14.2.2 导入分析所需要的模块和函数 310
    14.3 分类问题随机森林算法示例 311
    14.3.1 变量设置及数据处理 311
    14.3.2 二元Logistic回归、单棵分类决策树算法观察 311
    14.3.3 装袋法分类算法 312
    14.3.4 随机森林分类算法 313
    14.3.5 寻求max_features很优参数 313
    14.3.6 寻求n_estimators很优参数 314
    14.3.7 随机森林特征变量重要性水平分析 316
    14.3.8 绘制部分依赖图与个体条件期望图 316
    14.3.9 模型性能评价 318
    14.3.10 绘制ROC曲线 319
    14.3.11 运用两个特征变量绘制随机森林算法决策边界图 320
    14.4 回归问题随机森林算法示例 320
    14.4.1 变量设置及数据处理 320
    14.4.2 线性回归、单棵回归决策树算法观察 321
    14.4.3 装袋法回归算法 321
    14.4.4 随机森林回归算法 322
    14.4.5 寻求max_features很优参数 322
    14.4.6 寻求n_estimators很优参数 323
    14.4.7 随机森林特征变量重要性水平分析 325
    14.4.8 绘制部分依赖图与个体条件期望图 325
    14.4.9 很优模型拟合效果图形展示 326
    14.5 习题 327
    第15章 提升法 329
    15.1 提升法的基本原理 329
    15.1.1 提升法的概念与原理 329
    15.1.2 AdaBoost(自适应提升法) 330
    15.1.3 梯度提升法(Gradient Boosting Machine) 331
    15.1.4 回归问题损失函数 332
    15.1.5 分类问题损失函数 336
    15.1.6 随机梯度提升法 337
    15.1.7 XGBoost算法 338
    15.2 数据准备 338
    15.2.1 案例数据说明 338
    15.2.2 导入分析所需要的模块和函数 340
    15.3 回归提升法示例 340
    15.3.1 变量设置及数据处理 340
    15.3.2 线性回归算法观察 341
    15.3.3 回归提升法(默认参数) 341
    15.3.4 使用随机搜索寻求很优参数 341
    15.3.5 绘制图形观察模型均方误差随弱学习器数量变化的情况 342
    15.3.6 绘制图形观察模型拟合优度随弱学习器数量变化的情况 343
    15.3.7 回归问题提升法特征变量重要性水平分析 344
    15.3.8 绘制部分依赖图与个体条件期望图 345
    15.3.9 很优模型拟合效果图形展示 346
    15.3.10 XGBoost回归提升法 347
    15.4 二分类提升法示例 349
    15.4.1 变量设置及数据处理 349
    15.4.2 AdaBoost算法 349
    15.4.3 二分类提升法(默认参数) 349
    15.4.4 使用随机搜索寻求很优参数 350
    15.4.5 二分类问题提升法特征变量重要性水平分析 350
    15.4.6 绘制部分依赖图与个体条件期望图 351
    15.4.7 模型性能评价 352
    15.4.8 绘制ROC曲线 354
    15.4.9 运用两个特征变量绘制二分类提升法决策边界图 354
    15.4.10 XGBoost二分类提升法 355
    15.5 多分类提升法示例 356
    15.5.1 变量设置及数据处理 356
    15.5.2 多元Logistic回归算法观察 357
    15.5.3 多分类提升法(默认参数) 357
    15.5.4 使用随机搜索寻求很优参数 357
    15.5.5 多分类问题提升法特征变量重要性水平分析 358
    15.5.6 绘制部分依赖图与个体条件期望图 359
    15.5.7 模型性能评价 360
    15.5.8 XGBoost多分类提升法 362
    15.6 习题 362
    第16章 支持向量机算法 364
    16.1 支持向量机算法的基本原理 364
    16.1.1 线性可分 364
    16.1.2 硬间隔分类器的概念与原理解释 365
    16.1.3 硬间隔分类器的求解步骤 367
    16.1.4 软间隔分类器的概念与原理解释 368
    16.1.5 软间隔分类器的求解步骤 369
    16.1.6 核函数 370
    16.1.7 多分类问题支持向量机 372
    16.1.8 支持向量回归 373
    16.2 数据准备 375
    16.2.1 案例数据说明 375
    16.2.2 导入分析所需要的模块和函数 375
    16.3 回归支持向量机算法示例 376
    16.3.1 变量设置及数据处理 376
    16.3.2 回归支持向量机算法(默认参数) 376
    16.3.3 通过10折交叉验证寻求很优参数 377
    16.3.4 很优模型拟合效果图形展示 378
    16.4 二分类支持向量机算法示例 379
    16.4.1 变量设置及数据处理 379
    16.4.2 二分类支持向量机算法(默认参数) 379
    16.4.3 通过10折交叉验证寻求很优参数 380
    16.4.4 模型性能评价 381
    16.4.5 绘制ROC曲线 382
    16.4.6 运用两个特征变量绘制二分类支持向量机算法决策边界图 383
    16.5 多分类支持向量机算法示例 386
    16.5.1 变量设置及数据处理 386
    16.5.2 多分类支持向量机算法(一对一) 387
    16.5.3 多分类支持向量机算法(默认参数) 388
    16.5.4 通过10折交叉验证寻求很优参数 389
    16.5.5 模型性能评价 390
    16.6 习题 391
    第17章 神经网络算法 393
    17.1 神经网络算法的基本原理 393
    17.1.1 神经网络算法的基本思想 393
    17.1.2 感知机 395
    17.1.3 多层感知机 398
    17.1.4 神经元激活函数 400
    17.1.5 误差反向传播算法(BP算法) 405
    17.1.6 万能近似定理及多隐藏层优势 408
    17.1.7 BP算法过拟合问题的解决 408
    17.2 数据准备 410
    17.2.1 案例数据说明 410
    17.2.2 导入分析所需要的模块和函数 411
    17.3 回归神经网络算法示例 411
    17.3.1 变量设置及数据处理 411
    17.3.2 单隐藏层的多层感知机算法 412
    17.3.3 神经网络特征变量重要性水平分析 413
    17.3.4 绘制部分依赖图与个体条件期望图 414
    17.3.5 拟合优度随神经元个数变化的可视化展示 415
    17.3.6 通过K折交叉验证寻求单隐藏层很优神经元个数 416
    17.3.7 双隐藏层的多层感知机算法 417
    17.3.8 很优模型拟合效果图形展示 417
    17.4 二分类神经网络算法示例 418
    17.4.1 变量设置及数据处理 418
    17.4.2 单隐藏层二分类问题神经网络算法 419
    17.4.3 双隐藏层二分类问题神经网络算法 420
    17.4.4 早停策略减少过拟合问题 420
    17.4.5 正则化(权重衰减)策略减少过拟合问题 420
    17.4.6 模型性能评价 421
    17.4.7 绘制ROC曲线 422
    17.4.8 运用两个特征变量绘制二分类神经网络算法决策边界图 423
    17.5 多分类神经网络算法示例 423
    17.5.1 变量设置及数据处理 424
    17.5.2 单隐藏层多分类问题神经网络算法 424
    17.5.3 双隐藏层多分类问题神经网络算法 424
    17.5.4 模型性能评价 425
    17.5.5 运用两个特征变量绘制多分类神经网络算法决策边界图 426
    17.6 习题 427

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购