Scikit-learn機(jī)器學(xué)習(xí)高級(jí)進(jìn)階

1　機(jī)器學(xué)習(xí)概述 1 1.1 有監(jiān)督學(xué)習(xí)2 1.2 無監(jiān)督學(xué)習(xí)3 1.3 半監(jiān)督學(xué)習(xí)3 1.4 Sklearn概述4 2　數(shù)據(jù)集導(dǎo)入工具 6 2.1 通用數(shù)據(jù)集導(dǎo)入API7 2.1.1 數(shù)據(jù)集加載器7 2.1.2 數(shù)據(jù)集提取器8 2.1.3 數(shù)據(jù)集生成器10 2.1.4 文件導(dǎo)入方法11 2.2 專用數(shù)據(jù)集導(dǎo)入API14 2.2.1 加載樣本圖像數(shù)據(jù)集14 2.2.2 加載svmlight/libsvm格式數(shù)據(jù)集15 2.2.3 從openml.org 下載數(shù)據(jù)集16 2.3 加載外部數(shù)據(jù)集16 2.3.1 列表式數(shù)據(jù)讀取16 2.3.2 多媒體文件讀取17 3　集成學(xué)習(xí) 18 3.1 自助抽樣（bootstrap）19 3.2 自助聚合算法（bagging）20 3.2.1 標(biāo)準(zhǔn)自助聚合算法（Bagging）21 3.2.2 隨機(jī)森林（Random Forest）29 3.2.3 極端隨機(jī)樹（Extremely randomized trees）30 3.3 加速提升算法（boosting）30 3.3.1 自適應(yīng)提升算法（Adaboost）30 3.3.2 梯度提升樹算法（GBDT）38 3.4 投票集成算法（voting）49 3.5 堆棧泛化（stacking）56 4　模型選擇和交叉驗(yàn)證 62 4.1 交叉驗(yàn)證評(píng)估器64 4.1.1 交叉驗(yàn)證64 4.1.2 交叉驗(yàn)證生成器66 4.1.3 使用交叉驗(yàn)證70 4.2 度量指標(biāo)和評(píng)估（評(píng)分）75 4.2.1 評(píng)分參數(shù)scoring的設(shè)置76 4.2.2 啞分類評(píng)估器和啞回歸評(píng)估器86 4.3 模型超參數(shù)調(diào)優(yōu)90 4.3.1 窮盡網(wǎng)格超參數(shù)搜索91 4.3.2 隨機(jī)超參數(shù)搜索99 4.3.3 非暴力參數(shù)搜索方法101 4.3.4 貝葉斯優(yōu)化103 4.4 驗(yàn)證曲線104 4.4.1 交叉驗(yàn)證曲線105 4.4.2 學(xué)習(xí)曲線108 5　異常檢測 115 5.1 新穎點(diǎn)檢測117 5.2 離群點(diǎn)檢測123 5.2.1 橢圓包絡(luò)線算法123 5.2.2 孤立森林算法129 5.2.3 局部離群點(diǎn)因子算法130 6　管道 138 6.1 概念介紹139 6.1.1 評(píng)估器（estimator）139 6.1.2 轉(zhuǎn)換器（transformer）140 6.1.3 管道（pipeline）141 6.2 管道機(jī)制概述142 6.3 中間評(píng)估器及子管道148 6.3.1 獲取中間評(píng)估器148 6.3.2 獲取子管道對象149 6.3.3 設(shè)置評(píng)估器參數(shù)150 6.4 特征聚合轉(zhuǎn)換器150 6.5 列轉(zhuǎn)換機(jī)制154 6.5.1 數(shù)據(jù)泄露154 6.5.2 列轉(zhuǎn)換器155 6.6 模型選擇162 7　信號(hào)分解 164 7.1 主成分分析PCA165 7.2 核主成分分析KPCA173 7.3 字典學(xué)習(xí)180 7.3.1 預(yù)置字典編碼180 7.3.2 通用字典學(xué)習(xí)186 7.4 因子分析189 7.5 其他信號(hào)分解194 7.5.1 獨(dú)立成分分析195 7.5.2 非負(fù)矩陣分解196 7.5.3 隱含狄利克雷分布199 8　模型持久化 200 8.1 針對Python對象的序列化201 8.1.1 使用模塊pickle序列化201 8.1.2 使用模塊joblib序列化204 8.2 模型互操作方式205 9　Sklearn系統(tǒng)配置 210 9.1 系統(tǒng)環(huán)境變量211 9.2 運(yùn)行時(shí)環(huán)境變量211 后記 215