Python機(jī)器學(xué)習(xí)

第1章  機(jī)器學(xué)習(xí)簡(jiǎn)介   1

1.1  什么是機(jī)器學(xué)習(xí)?   2

1.1.1  在本書(shū)中機(jī)器學(xué)習(xí)將解決什么問(wèn)題?   3

1.1.2  機(jī)器學(xué)習(xí)算法的類型   4

1.2  可得到的工具   7

1.2.1  獲取Anaconda   8

1.2.2  安裝Anaconda   8

1.3  本章小結(jié)   17

第2章  使用NumPy擴(kuò)展Python   19

2.1  NumPy是什么?   19

2.2  創(chuàng)建NumPy數(shù)組   20

2.3  數(shù)組索引   22

2.3.1  布爾索引   22

2.3.2  切片數(shù)組   23

2.3.3  NumPy切片是一個(gè)引用   25

2.4  重塑數(shù)組   26

2.5  數(shù)組數(shù)學(xué)   27

2.5.1  點(diǎn)積   29

2.5.2  矩陣   30

2.5.3  累積和   31

2.5.4  NumPy排序   32

2.6  數(shù)組賦值   34

2.6.1  通過(guò)引用復(fù)制   34

2.6.2  按視圖復(fù)制(淺復(fù)制)   35

2.6.3  按值復(fù)制(深度復(fù)制)   37

2.7  本章小結(jié)   37

第3章  使用Pandas處理表格數(shù)據(jù)   39

3.1  Pandas是什么?   39

3.2  Pandas Series   40

3.2.1  使用指定索引創(chuàng)建Series   41

3.2.2  訪問(wèn)Series中的元素   41

3.2.3  指定Datetime范圍作為Series的索引   42

3.2.4  日期范圍   43

3.3  Pandas DataFrame   44

3.3.1  創(chuàng)建DataFrame   45

3.3.2  在DataFrame中指定索引   46

3.3.3  生成DataFrame的描述性統(tǒng)計(jì)信息   47

3.3.4  從DataFrame中提取   48

3.3.5  選擇DataFrame中的單個(gè)單元格   54

3.3.6  基于單元格值進(jìn)行選擇   54

3.3.7  轉(zhuǎn)置DataFrame   54

3.3.8  檢查結(jié)果是DataFrame還是Series   55

3.3.9  在DataFrame中排序數(shù)據(jù)   55

3.3.10  將函數(shù)應(yīng)用于DataFrame   57

3.3.11  在DataFrame中添加和刪除行和列   60

3.3.12  生成交叉表   63

3.4  本章小結(jié)   64

第4章  使用matplotlib顯示數(shù)據(jù)   67

4.1  什么是matplotlib?   67

4.2  繪制折線圖   67

4.2.1  添加標(biāo)題和標(biāo)簽   69

4.2.2  樣式   69

4.2.3  在同一圖表中繪制多條線   71

4.2.4  添加圖例   72

4.3  繪制柱狀圖   73

4.3.1  在圖表中添加另一個(gè)柱狀圖   74

4.3.2  更改刻度標(biāo)簽   76

4.4  繪制餅圖   77

4.4.1  分解各部分   79

4.4.2  顯示自定義顏色   79

4.4.3  旋轉(zhuǎn)餅狀圖   80

4.4.4  顯示圖例   81

4.4.5  保存圖表   83

4.5  繪制散點(diǎn)圖   83

4.5.1  合并圖形   84

4.5.2  子圖   85

4.6  使用Seaborn繪圖   86

4.6.1  顯示分類圖   87

4.6.2  顯示lmplot   89

4.6.3  顯示swarmplot   90

4.7  本章小結(jié)   92

第5章  使用Scikit-learn開(kāi)始機(jī)器學(xué)習(xí)   93

5.1  Scikit-learn簡(jiǎn)介   93

5.2  獲取數(shù)據(jù)集   93

5.2.1  使用Scikit-learn數(shù)據(jù)集   94

5.2.2  使用Kaggle數(shù)據(jù)集   97

5.2.3  使用UCI機(jī)器學(xué)習(xí)存儲(chǔ)庫(kù)   97

5.2.4  生成自己的數(shù)據(jù)集   97

5.3  Scikit-learn入門   100

5.3.1  使用LinearRegression類對(duì)模型進(jìn)行擬合   101

5.3.2  進(jìn)行預(yù)測(cè)   101

5.3.3  繪制線性回歸線   102

5.3.4  得到線性回歸線的斜率和截距   103

5.3.5  通過(guò)計(jì)算殘差平方和檢驗(yàn)?zāi)Ｐ偷男阅?nbsp;  104

5.3.6  使用測(cè)試數(shù)據(jù)集評(píng)估模型   105

5.3.7  持久化模型   106

5.4  數(shù)據(jù)清理   108

5.4.1  使用NaN清理行   108

5.4.2  刪除重復(fù)的行   110

5.4.3  規(guī)范化列   112

5.4.4  去除異常值   113

5.5  本章小結(jié)   117

第6章  有監(jiān)督的學(xué)習(xí)——線性回歸   119

6.1  線性回歸的類型   119

6.2  線性回歸   120

6.2.1  使用Boston數(shù)據(jù)集   120

6.2.2  數(shù)據(jù)清理   125

6.2.3  特征選擇   126

6.2.4  多元回歸   129

6.2.5  訓(xùn)練模型   131

6.2.6  獲得截距和系數(shù)   133

6.2.7  繪制三維超平面   134

6.3  多項(xiàng)式回歸   136

6.3.1  多項(xiàng)式回歸公式   138

6.3.2  Scikit-learn中的多項(xiàng)式回歸   138

6.3.3  理解偏差和方差   142

6.3.4  對(duì)Boston數(shù)據(jù)集使用多項(xiàng)式多元回歸   145

6.3.5  繪制三維超平面   146

6.4  本章小結(jié)   149

第7章  有監(jiān)督的學(xué)習(xí)——使用邏輯回歸進(jìn)行分類   151

7.1  什么是邏輯回歸?   151

7.1.1  理解概率   153

7.1.2  logit函數(shù)   153

7.1.3  sigmoid曲線   155

7.2  使用威斯康星乳腺癌診斷數(shù)據(jù)集   156

7.2.1  檢查特征之間的關(guān)系   157

7.2.2  使用一個(gè)特征訓(xùn)練   161

7.2.3  使用所有特性訓(xùn)練模型   164

7.3  本章小結(jié)   174

第8章  有監(jiān)督的學(xué)習(xí)——使用支持向量機(jī)分類   175

8.1  什么是支持向量機(jī)?   175

8.1.1  最大的可分性   176

8.1.2  支持向量   177

8.1.3  超平面的公式   178

8.1.4  為SVM使用Scikit-learn   179

8.1.5  繪制超平面和邊距   182

8.1.6  進(jìn)行預(yù)測(cè)   183

8.2  內(nèi)核的技巧   184

8.2.1  添加第三個(gè)維度   185

8.2.2  繪制三維超平面   187

8.3  內(nèi)核的類型   189

8.3.1  C   193

8.3.2  徑向基函數(shù)(RBF)內(nèi)核   195

8.3.3  gamma   196

8.3.4  多項(xiàng)式內(nèi)核   198

8.4  使用SVM解決實(shí)際問(wèn)題   199

8.5  本章小結(jié)   202

第9章  有監(jiān)督的學(xué)習(xí)——使用k-近鄰(kNN)分類   203

9.1  k-近鄰是什么?   203

9.1.1  用Python實(shí)現(xiàn)kNN   204

9.1.2  為kNN使用Scikit-learn的KNeighborsClassifier類   209

9.2  本章小結(jié)   218

第10章  無(wú)監(jiān)督學(xué)習(xí)——使用k-means聚類   219

10.1  什么是無(wú)監(jiān)督學(xué)習(xí)?   219

10.1.1  使用k-means的無(wú)監(jiān)督學(xué)習(xí)   220

10.1.2  k-means中的聚類是如何工作的   220

10.1.3  在Python中實(shí)現(xiàn)k-means   223

10.1.4  在Scikit-learn中使用k-means   228

10.1.5  利用Silhouette系數(shù)評(píng)價(jià)聚類的大小   230

10.2  使用k-means解決現(xiàn)實(shí)問(wèn)題   234

10.2.1  導(dǎo)入數(shù)據(jù)   234

10.2.2  清理數(shù)據(jù)   235

10.2.3  繪制散點(diǎn)圖   236

10.2.4  使用k-means聚類   236

10.2.5  尋找最優(yōu)尺寸類   238

10.3  本章小結(jié)   239

第11章  使用 Azure Machine Learning Studio   241

11.1  什么是Microsoft Azure Machine Learning Studio?   241

11.1.1  以泰坦尼克號(hào)實(shí)驗(yàn)為例   241

11.1.2  使用Microsoft Azure Machine Learning Studio   243

11.1.3  訓(xùn)練模型   254

11.1.4  將學(xué)習(xí)模型作為Web服務(wù)發(fā)布   258

11.2  本章小結(jié)   263

第12章  部署機(jī)器學(xué)習(xí)模型   265

12.1  部署ML   265

12.2  案例研究   266

12.2.1  加載數(shù)據(jù)   267

12.2.2  清理數(shù)據(jù)   267

12.2.3  檢查特征之間的相關(guān)性   269

12.2.4  繪制特征之間的相關(guān)性   270

12.2.5  評(píng)估算法   273

12.2.6  訓(xùn)練并保存模型   275

12.3  部署模型   277

12.4  創(chuàng)建客戶機(jī)應(yīng)用程序來(lái)使用模型   279

12.5  本章小結(jié)   281