掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
集成學習實戰 版權信息
- ISBN：9787302660927
- 條形碼：9787302660927 ; 978-7-302-66092-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
集成學習實戰 本書特色
目前，關于集成學習著作比較少，主要是周志華教授團隊編寫的EnsembleMethods Foundations and Algorithms。不過，該書的出版時間較早(2012年出版英文，2020年出版了中文譯著)，未涉及近10年來集成學習的前沿理論和技術；另外該書主要偏向前沿理論，缺少算法實現和案例配套。
《集成學習實戰》的引進可謂恰逢其時，填補了集成學習領域著作方面的不足。本書圖文并茂地對深奧的集成學習理論和方法進行描述，并結合大量的案例和應用程序，引導讀者邊思考邊實踐，從而逐步加深對集成學習的理解，并將這些新方法、新理論和新思想用于自己的研究。本書梳理了集成學習近20年來的前沿理論和技術，主要從集成學習基礎知識、集成方式和集成學習數據集制作、特征提取和可解釋性三個方面進行了專題討論，還討論集成學習理論以及與概率機器學習和深度學習的結合策略。本書包含大量的圖、案例以及Python代碼實現，讀者可以一邊閱讀一邊動手實踐。本書面向計算機、人工智能和大數據專業的高年級本科生和研究生，也面向對機器學習與集成學習感興趣的研究人員和企業工程師。
集成學習實戰 內容簡介
集成學習通過自動對比多個模型的輸出，將輸出結合起來，融合成強大的集成模型，得出*優結果。集成學習發揮“集體智慧”，結果更準確，克服了單一模型的局限性。這種創新方法能夠綜合多個視角的響應；即使在沒有大規模數據集的情況下，也能給出可靠的預測結果。
《集成學習實戰》呈現同時應用多種機器學習方法的實用技巧。每章都列舉一個獨特案例（如醫學診斷、情感分析等），展示一個功能完備的集成方法。《集成學習實戰》不探討深奧的數學知識，所講內容淺顯易懂，代碼豐富，供你輕松進行實驗！
集成學習實戰 目錄
第I部分 集成學習基礎知識
第1章 集成方法：炒作還是福音· 3
1.1 集成方法：集體智慧 4
1.2 關注集成學習原因 6
1.3 單個模型中的擬合度與復雜性 8
1.3.1 決策樹回歸 8
1.3.2 支持向量回歸 12
1.4 **個集成模型 15
1.5 集成方法的術語和分類 19
1.6 小結 21
第II部分 基本集成方法
第2章 同質并行集成：Bagging法和隨機森林 25
2.1 并行集成 26
2.2 Bagging法：Bootstrap結合算法 27
2.2.1 直覺：重采樣和模型結合 28
2.2.2 實現Bagging法 31
2.2.3 使用scikit-learn實現Bagging法 33
2.2.4 使用并行化進行更快的訓練 35
2.3 隨機森林 36
2.3.1 隨機決策樹 36
2.3.2 使用scikit-learn實現隨機森林 38
2.3.3 特征重要性 39
2.4 更多同質并行集成· 40
2.4.1 Pasting 40
2.4.2 隨機子空間和random patch法 41
2.4.3 極度隨機樹 42
2.5 案例研究：乳腺癌診斷 43
2.5.1 加載和預處理 43
2.5.2 Bagging法、隨機森林和極度隨機樹 44
2.5.3 隨機森林中的特征重要性 47
2.6 小結 50
第3章 異質并行集成：結合強學習器 53
3.1 異質集成的基礎估計器 54
3.1.1 擬合基礎估計器 55
3.1.2 基礎估計器的單個預測 58
3.2 通過加權結合預測 60
3.2.1 多數投票 62
3.2.2 準確率加權 63
3.2.3 熵加權法 65
3.2.4 Dempster-Shafer結合 67
3.3 通過元學習結合預測 69
3.3.1 Stacking 70
3.3.2 通過交叉驗證進行Stacking 74
3.4 案例研究：情感分析 77
3.4.1 預處理 78
3.4.2 降低維度 81
3.4.3 blending分類器 82
3.5 小結 85
第4章 順序集成：自適應提升 87
4.1 弱學習器的順序集成 88
4.2 AdaBoost：自適應提升 90
4.2.1 直覺法：使用加權樣本進行學習 90
4.2.2 實現AdaBoost 93
4.2.3 使用scikit-learn的AdaBoost 99
4.3 AdaBoost在實踐中的應用 101
4.3.1 學習率· 102
4.3.2 早停和剪枝 104
4.4 案例研究：手寫數字分類 106
4.4.1 利用 t-SNE降維 107
4.4.2 提升 109
4.5 LogitBoost：使用邏輯損失進行提升 112
4.5.1 邏輯損失函數與指數損失函數 112
4.5.2 將回歸作為分類的弱學習算法 113
4.5.3 實現LogitBoost 113
4.6 小結 116
第5章 順序集成：梯度提升 117
5.1 用梯度下降實現*小化 118
5.1.1 舉例說明梯度下降 119
5.1.2 在損失函數上進行梯度下降訓練 125
5.2 梯度提升：梯度下降 提升 128
5.2.1 直覺：使用殘差學習 128
5.2.2 實現梯度提升 132
5.2.3 使用scikit-learn進行梯度提升 136
5.2.4 基于直方圖的梯度提升 138
5.3 LightGBM：梯度提升框架 140
5.3.1 為何將LightGBM稱為“輕量級” 140
5.3.2 利用LightGBM進行梯度提升 142
5.4 LightGBM在實踐中的應用 143
5.4.1 學習率 143
5.4.2 早停 146
5.4.3 自定義損失函數 148
5.5 案例研究：文檔檢索 151
5.5.1 LETOR數據集 151
5.5.2 使用LightGBM進行文檔檢索 153
5.6 小結 156
第6章 順序集成：牛頓提升 157
6.1 *小化牛頓法 158
6.1.1 舉例說明牛頓法 160
6.1.2 訓練過程中的損失函數的牛頓下降· 165
6.2 牛頓提升：牛頓法 Boosting 167
6.2.1 直覺：使用加權殘差進行學習 167
6.2.2 直覺：使用正則化損失函數進行學習 170
6.2.3 實現牛頓提升 173
6.3 XGBoost：牛頓提升框架 177
6.3.1 XGBoost的“極端”之處在哪里？ 178
6.3.2 XGBoost的牛頓提升 179
6.4 XGBoost實踐 181
6.4.1 學習率 181
6.4.2 早停 184
6.5 案例研究：文檔檢索 185
6.5.1 LETOR數據集 185
6.5.2 使用XGBoost進行文檔檢索 186
6.6 小結 188
第III部分 集成之外：將集成方法應用于你的數據
第7章 學習連續和計數標簽 193
7.1 回歸的簡要回顧 194
7.1.1 連續標簽的線性回歸 194
7.1.2 用于計數標簽的泊松回歸 200
7.1.3 用于分類標簽的邏輯回歸 203
7.1.4 廣義線性模型 204
7.1.5 非線性回歸 205
7.2 回歸的并行集成 208
7.2.1 隨機森林和極度隨機樹 209
7.2.2 結合回歸模型 212
7.2.3 Stacking回歸模型 213
7.3 用于回歸的順序集成 214
7.3.1 用于回歸的損失和似然函數 216
7.3.2 LightGBM和XGBoost的梯度提升 218
7.4 案例研究：需求預測 221
7.4.1 UCI自行車共享數據集 222
7.4.2 GLM和Stacking· 224
7.4.3 隨機森林和極度隨機樹 227
7.4.4 XGBoost和LightGBM 228
7.5 小結 231
第8章 學習分類特征 233
8.1 編碼分類特征 234
8.1.1 分類特征的類型 235
8.1.2 有序編碼和獨熱編碼 235
8.1.3 使用目標統計信息進行編碼 238
8.1.4 類別編碼器包 244
8.2 CatBoost：有序提升框架 247
8.2.1 有序目標統計和有序提升 247
8.2.2 無意識決策樹 249
8.2.3 CatBoost實踐 250
8.3 案例研究：收入預測 253
8.3.1 adult數據集 254
8.3.2 創建預處理和建模流程 256
8.3.3 類別編碼和集成 259
8.3.4 有序編碼和CatBoost提升 261
8.4 編碼高基數字符串特征 263
8.5 小結 267
第9章 集成學習可解釋性 269
9.1 可解釋性的含義 270
9.1.1 黑盒與白盒模型 270
9.1.2 決策樹(和決策規則) 273
9.1.3 廣義線性模型 276
9.2 案例研究：數據驅動的營銷 278
9.2.1 銀行營銷數據集 279
9.2.2 訓練集成 281
9.2.3 樹集成中的特征重要性 282
9.3 全局可解釋性的黑盒方法 283
9.3.1 排列特征重要性 284
9.3.2 部分依賴圖 286
9.3.3 全局代理模型· 289
9.4 適用于局部可解釋性的黑盒方法 292
9.4.1 借助LIME的局部代理模型 292
9.4.2 借助SHAP的局部可解釋性 296
9.5 白盒集成：訓練解釋性 302
9.5.1 可解釋性提升機 303
9.5.2 EBM實踐 306
9.6 小結 309
結語 311
第1章 集成方法：炒作還是福音· 3
1.1 集成方法：集體智慧 4
1.2 關注集成學習原因 6
1.3 單個模型中的擬合度與復雜性 8
1.3.1 決策樹回歸 8
1.3.2 支持向量回歸 12
1.4 **個集成模型 15
1.5 集成方法的術語和分類 19
1.6 小結 21
第II部分 基本集成方法
第2章 同質并行集成：Bagging法和隨機森林 25
2.1 并行集成 26
2.2 Bagging法：Bootstrap結合算法 27
2.2.1 直覺：重采樣和模型結合 28
2.2.2 實現Bagging法 31
2.2.3 使用scikit-learn實現Bagging法 33
2.2.4 使用并行化進行更快的訓練 35
2.3 隨機森林 36
2.3.1 隨機決策樹 36
2.3.2 使用scikit-learn實現隨機森林 38
2.3.3 特征重要性 39
2.4 更多同質并行集成· 40
2.4.1 Pasting 40
2.4.2 隨機子空間和random patch法 41
2.4.3 極度隨機樹 42
2.5 案例研究：乳腺癌診斷 43
2.5.1 加載和預處理 43
2.5.2 Bagging法、隨機森林和極度隨機樹 44
2.5.3 隨機森林中的特征重要性 47
2.6 小結 50
第3章 異質并行集成：結合強學習器 53
3.1 異質集成的基礎估計器 54
3.1.1 擬合基礎估計器 55
3.1.2 基礎估計器的單個預測 58
3.2 通過加權結合預測 60
3.2.1 多數投票 62
3.2.2 準確率加權 63
3.2.3 熵加權法 65
3.2.4 Dempster-Shafer結合 67
3.3 通過元學習結合預測 69
3.3.1 Stacking 70
3.3.2 通過交叉驗證進行Stacking 74
3.4 案例研究：情感分析 77
3.4.1 預處理 78
3.4.2 降低維度 81
3.4.3 blending分類器 82
3.5 小結 85
第4章 順序集成：自適應提升 87
4.1 弱學習器的順序集成 88
4.2 AdaBoost：自適應提升 90
4.2.1 直覺法：使用加權樣本進行學習 90
4.2.2 實現AdaBoost 93
4.2.3 使用scikit-learn的AdaBoost 99
4.3 AdaBoost在實踐中的應用 101
4.3.1 學習率· 102
4.3.2 早停和剪枝 104
4.4 案例研究：手寫數字分類 106
4.4.1 利用 t-SNE降維 107
4.4.2 提升 109
4.5 LogitBoost：使用邏輯損失進行提升 112
4.5.1 邏輯損失函數與指數損失函數 112
4.5.2 將回歸作為分類的弱學習算法 113
4.5.3 實現LogitBoost 113
4.6 小結 116
第5章 順序集成：梯度提升 117
5.1 用梯度下降實現*小化 118
5.1.1 舉例說明梯度下降 119
5.1.2 在損失函數上進行梯度下降訓練 125
5.2 梯度提升：梯度下降 提升 128
5.2.1 直覺：使用殘差學習 128
5.2.2 實現梯度提升 132
5.2.3 使用scikit-learn進行梯度提升 136
5.2.4 基于直方圖的梯度提升 138
5.3 LightGBM：梯度提升框架 140
5.3.1 為何將LightGBM稱為“輕量級” 140
5.3.2 利用LightGBM進行梯度提升 142
5.4 LightGBM在實踐中的應用 143
5.4.1 學習率 143
5.4.2 早停 146
5.4.3 自定義損失函數 148
5.5 案例研究：文檔檢索 151
5.5.1 LETOR數據集 151
5.5.2 使用LightGBM進行文檔檢索 153
5.6 小結 156
第6章 順序集成：牛頓提升 157
6.1 *小化牛頓法 158
6.1.1 舉例說明牛頓法 160
6.1.2 訓練過程中的損失函數的牛頓下降· 165
6.2 牛頓提升：牛頓法 Boosting 167
6.2.1 直覺：使用加權殘差進行學習 167
6.2.2 直覺：使用正則化損失函數進行學習 170
6.2.3 實現牛頓提升 173
6.3 XGBoost：牛頓提升框架 177
6.3.1 XGBoost的“極端”之處在哪里？ 178
6.3.2 XGBoost的牛頓提升 179
6.4 XGBoost實踐 181
6.4.1 學習率 181
6.4.2 早停 184
6.5 案例研究：文檔檢索 185
6.5.1 LETOR數據集 185
6.5.2 使用XGBoost進行文檔檢索 186
6.6 小結 188
第III部分 集成之外：將集成方法應用于你的數據
第7章 學習連續和計數標簽 193
7.1 回歸的簡要回顧 194
7.1.1 連續標簽的線性回歸 194
7.1.2 用于計數標簽的泊松回歸 200
7.1.3 用于分類標簽的邏輯回歸 203
7.1.4 廣義線性模型 204
7.1.5 非線性回歸 205
7.2 回歸的并行集成 208
7.2.1 隨機森林和極度隨機樹 209
7.2.2 結合回歸模型 212
7.2.3 Stacking回歸模型 213
7.3 用于回歸的順序集成 214
7.3.1 用于回歸的損失和似然函數 216
7.3.2 LightGBM和XGBoost的梯度提升 218
7.4 案例研究：需求預測 221
7.4.1 UCI自行車共享數據集 222
7.4.2 GLM和Stacking· 224
7.4.3 隨機森林和極度隨機樹 227
7.4.4 XGBoost和LightGBM 228
7.5 小結 231
第8章 學習分類特征 233
8.1 編碼分類特征 234
8.1.1 分類特征的類型 235
8.1.2 有序編碼和獨熱編碼 235
8.1.3 使用目標統計信息進行編碼 238
8.1.4 類別編碼器包 244
8.2 CatBoost：有序提升框架 247
8.2.1 有序目標統計和有序提升 247
8.2.2 無意識決策樹 249
8.2.3 CatBoost實踐 250
8.3 案例研究：收入預測 253
8.3.1 adult數據集 254
8.3.2 創建預處理和建模流程 256
8.3.3 類別編碼和集成 259
8.3.4 有序編碼和CatBoost提升 261
8.4 編碼高基數字符串特征 263
8.5 小結 267
第9章 集成學習可解釋性 269
9.1 可解釋性的含義 270
9.1.1 黑盒與白盒模型 270
9.1.2 決策樹(和決策規則) 273
9.1.3 廣義線性模型 276
9.2 案例研究：數據驅動的營銷 278
9.2.1 銀行營銷數據集 279
9.2.2 訓練集成 281
9.2.3 樹集成中的特征重要性 282
9.3 全局可解釋性的黑盒方法 283
9.3.1 排列特征重要性 284
9.3.2 部分依賴圖 286
9.3.3 全局代理模型· 289
9.4 適用于局部可解釋性的黑盒方法 292
9.4.1 借助LIME的局部代理模型 292
9.4.2 借助SHAP的局部可解釋性 296
9.5 白盒集成：訓練解釋性 302
9.5.1 可解釋性提升機 303
9.5.2 EBM實踐 306
9.6 小結 309
結語 311
展開全部
集成學習實戰 作者簡介
Gautam Kunapuli擁有逾15年的學術界和機器學習行業經驗，重點研究人機協作學習、基于知識和建議的學習算法，以及針對機器學習難題的可擴展學習。
書友推薦
- >
月亮與六便士
- >
隨園食單
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
【精裝繪本】畫給孩子的中國神話
- >
中國歷史的瞬間
- >
名家帶你讀魯迅:故事新編
- >
二體千字文
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
本類暢銷
