第 1章　開始Python和機(jī)器學(xué)習(xí)之旅 1 1.1　什么是機(jī)器學(xué)習(xí)？我們?yōu)槭裁葱枰�它�? 1.2　機(jī)器學(xué)習(xí)概覽　4 1.3　機(jī)器學(xué)習(xí)算法發(fā)展簡史　6 1.4　從數(shù)據(jù)中泛化的能力　7 1.5　過擬合、欠擬合及偏差和方差的權(quán)衡　8 1.5.1　用交叉檢驗避免過擬合　10 1.5.2　用正則化避免過擬合　12 1.6　通過特征選取和降維避免過擬合　14 1.7　預(yù)處理、探索和特征工程　15 1.7.1　缺失值　16 1.7.2　標(biāo)簽編碼　17 1.7.3　一位有效編碼　17 1.7.4　調(diào)整數(shù)值范圍　18 1.7.5　多項式特征　18 1.7.6　冪次轉(zhuǎn)換　18 1.7.7面元劃分　19 1.8　模型組合　19 1.8.1　Bagging　20 1.8.2　Boosting　20 1.8.3　Stacking　20 1.8.4　Blending　21 1.8.5　投票和平均法　21 1.9　安裝和設(shè)置軟件　21 1.10　問題解決和尋求幫助　22 1.11　小結(jié)　23 第　2章 用文本分析算法探索20個新聞組數(shù)據(jù)集　24 2.1　什么是NLP　25 2.2　強(qiáng)大的Python NLP庫之旅　27 2.3　新聞組數(shù)據(jù)集　31 2.4　獲取數(shù)據(jù)　31 2.5　思考特征　32 2.6　可視化　35 2.7　數(shù)據(jù)預(yù)處理　39 2.8　聚類　42 2.9　話題建�！�44 2.10　小結(jié)　48 第3章　用樸素貝葉斯檢測垃圾郵件　50 3.1　開始分類之旅　51 3.2　分類的類型　51 3.3　文本分類應(yīng)用　53 3.4　探索樸素貝葉斯　54 3.5　貝葉斯定理實例講解　54 3.6　樸素貝葉斯原理　56 3.7　樸素貝葉斯的實現(xiàn)　59 3.8　分類器性能評估　70 3.9　模型調(diào)試和交叉檢驗　74 3.10　小結(jié)　77 第4章　用支持向量機(jī)為新聞話題分類　79 4.1　回顧先前內(nèi)容和介紹逆文檔頻率　80 4.2　SVM　81 4.2.1　SVM的原理　82 4.2.2　SVM的實現(xiàn)　86 4.2.3　SVM內(nèi)核　92 4.2.4　線性和RBF內(nèi)核的選擇　95 4.3　用SVM為新聞話題分類　96 4.4　更多示例—用SVM根據(jù)胎心宮縮監(jiān)護(hù)數(shù)據(jù)為胎兒狀態(tài)分類　100 4.5　小結(jié)　102 第5章　用基于樹的算法預(yù)測點擊率　103 5.1　廣告點擊率預(yù)測簡介　104 5.2　兩種不同類型的數(shù)據(jù)：數(shù)值型和類別型　104 5.3　決策樹分類器　106 5.3.1　構(gòu)造決策樹　107 5.3.2　度量劃分的標(biāo)準(zhǔn)　109 5.3.3　實現(xiàn)決策樹　115 5.4　用決策樹預(yù)測點擊率　123 5.5　隨機(jī)森林—決策樹的特征裝袋技術(shù)　128 5.6　小結(jié)　129 第6章　用對率回歸預(yù)測點擊率　130 6.1　一位有效編碼—將類別型特征轉(zhuǎn)換為數(shù)值型類型　131 6.2　對率回歸分類器　134 6.2.1　從對率函數(shù)說起　134 6.2.2　對率回歸的原理　135 6.2.3　用梯度下降方法訓(xùn)練對率回歸模型　139 6.3　用梯度下降對率回歸預(yù)測點擊率　144 6.3.1　訓(xùn)練隨機(jī)梯度下降對率回歸模型　146 6.3.2　訓(xùn)練帶正則項的對率回歸模型　149 6.3.3　用線上學(xué)習(xí)方法，在大型數(shù)據(jù)集上訓(xùn)練　151 6.3.4　多分類　153 6.4　用隨機(jī)森林選擇參數(shù)　155 6.5　小結(jié)　156 第7章　用回歸算法預(yù)測股價　158 7.1　股市和股價的簡介　159 7.2　什么是回歸　159 7.3　用回歸算法預(yù)測股價　160 7.3.1　特征工程　162 7.3.2　數(shù)據(jù)獲取和特征生成　165 7.3.3　線性回歸　170 7.3.4　決策樹回歸　176 7.3.5　支持向量回歸　183 7.3.6　回歸性能評估　185 7.3.7　用回歸算法預(yù)測股價　186 7.4　小結(jié)　190 第8章　最佳實踐　192 8.1　機(jī)器學(xué)習(xí)工作流　193 8.2　數(shù)據(jù)準(zhǔn)備階段的最佳實踐　193 8.2.1　最佳實踐1—理解透徹項目的目標(biāo)　193 8.2.2　最佳實踐2—采集所有相關(guān)字段　194 8.2.3　最佳實踐3—字段值保持一致　194 8.2.4　最佳實踐4—缺失值處理　195 8.3　訓(xùn)練集生成階段的最佳實踐　198 8.3.1　最佳實踐5—用數(shù)值代替類別型特征　199 8.3.2　最佳實踐6—決定是否對類別型特征編碼　199 8.3.3　最佳實踐7—是否要選擇特征，怎么選　199 8.3.4　最佳實踐8—是否降維，怎么降　201 8.3.5　最佳實踐9—是否縮放特征，怎么縮放　201 8.3.6　最佳實踐10—帶著領(lǐng)域知識做特征工程　202 8.3.7　最佳實踐11—缺少領(lǐng)域知識的前提下，做特征工程　202 8.3.8　最佳實踐12—記錄每個特征的生成方法　204 8.4　模型訓(xùn)練、評估和選擇階段的最佳實踐　204 8.4.1　最佳實踐13—選擇從正確的算法開始　204 8.4.2　最佳實踐14—降低過擬合　206 8.4.3　最佳實踐15—診斷過擬合和欠擬合　206 8.5　系統(tǒng)部署和監(jiān)控階段的最佳實踐　208 8.5.1　最佳實踐16—保存、加載和重用模型　208 8.5.2　最佳實踐17—監(jiān)控模型性能　209 8.5.3　最佳實踐18—定期更新模型　210 8.6　小結(jié)　210