機器學習與R語言（原書第2版）

推薦序
譯者序
前言
關于審稿人
第1章　機器學習簡介1
1.1　機器學習的起源1
1.2　機器學習的使用與濫用3
1.2.1　機器學習的成功使用3
1.2.2　機器學習的限制4
1.2.3　機器學習的倫理方面5
1.3　機器如何學習6
1.3.1　數(shù)據(jù)存儲7
1.3.2　抽象化7
1.3.3　一般化9
1.3.4　評估10
1.4　實踐中的機器學習11
1.4.1　輸入數(shù)據(jù)的類型11
1.4.2　機器學習算法的類型12
1.4.3　為輸入數(shù)據(jù)匹配算法14
1.5　使用R進行機器學習15
1.5.1　安裝R添加包15
1.5.2　載入和卸載R添加包16
1.6　總結16
第2章　數(shù)據(jù)的管理和理解18
2.1　R數(shù)據(jù)結構18
2.1.1　向量18
2.1.2　因子20
2.1.3　列表21
2.1.4　數(shù)據(jù)框23
2.1.5　矩陣和數(shù)組25
2.2　用R管理數(shù)據(jù)27
2.2.1　保存、載入和移除R數(shù)據(jù)結構27
2.2.2　用CSV文件導入和保存數(shù)據(jù)28
2.3　探索和理解數(shù)據(jù)29
2.3.1　探索數(shù)據(jù)的結構29
2.3.2　探索數(shù)值變量30
2.3.3　探索分類變量38
2.3.4　探索變量之間的關系40
2.4　總結43
第3章　懶惰學習—使用近鄰分類44
3.1　理解近鄰分類44
3.1.1　kNN算法45
3.1.2　為什么kNN算法是懶惰的50
3.2　例子—用kNN算法診斷乳腺癌51
3.2.1　第1步—收集數(shù)據(jù)51
3.2.2　第2步—探索和準備數(shù)據(jù)52
3.2.3　第3步—基于數(shù)據(jù)訓練模型55
3.2.4　第4步—評估模型的性能56
3.2.5　第5步—提高模型的性能57
3.3　總結59
第4章　概率學習—樸素貝葉斯分類60
4.1　理解樸素貝葉斯60
4.1.1　貝葉斯方法的基本概念61
4.1.2　樸素貝葉斯算法65
4.2　例子—基于貝葉斯算法的手機垃圾短信過濾69
4.2.1　第1步—收集數(shù)據(jù)69
4.2.2　第2步—探索和準備數(shù)據(jù)70
4.2.3　第3步—基于數(shù)據(jù)訓練模型81
4.2.4　第4步—評估模型的性能82
4.2.5　第5步—提高模型的性能83
4.3　總結84
第5章　分而治之—應用決策樹和規(guī)則進行分類85
5.1　理解決策樹85
5.1.1　分而治之86
5.1.2　C5.0決策樹算法89
5.2　例子—使用C5.0決策樹識別高風險銀行貸款91
5.2.1　第1步—收集數(shù)據(jù)92
5.2.2　第2步—探索和準備數(shù)據(jù)92
5.2.3　第3步—基于數(shù)據(jù)訓練模型94
5.2.4　第4步—評估模型的性能97
5.2.5　第5步—提高模型的性能97
5.3　理解分類規(guī)則101
5.3.1　獨立而治之101
5.3.2　1R算法103
5.3.3　RIPPER算法104
5.3.4　來自決策樹的規(guī)則105
5.3.5　什么使決策樹和規(guī)則貪婪106
5.4　例子—應用規(guī)則學習算法識別有毒的蘑菇108
5.4.1　第1步—收集數(shù)據(jù)108
5.4.2　第2步—探索和準備數(shù)據(jù)108
5.4.3　第3步—基于數(shù)據(jù)訓練模型109
5.4.4　第4步—評估模型的性能111
5.4.5　第5步—提高模型的性能112
5.5　總結114
第6章　預測數(shù)值型數(shù)據(jù)—回歸方法115
6.1　理解回歸115
6.1.1　簡單線性回歸117
6.1.2　普通最小二乘估計119
6.1.3　相關性120
6.1.4　多元線性回歸121
6.2　例子—應用線性回歸預測醫(yī)療費用124
6.2.1　第1步—收集數(shù)據(jù)124
6.2.2　第2步—探索和準備數(shù)據(jù)125
6.2.3　第3步—基于數(shù)據(jù)訓練模型129
6.2.4　第4步—評估模型的性能131
6.2.5　第5步—提高模型的性能132
6.3　理解回歸樹和模型樹134
6.4　例子—用回歸樹和模型樹估計葡萄酒的質(zhì)量136
6.4.1　第1步—收集數(shù)據(jù)137
6.4.2　第2步—探索和準備數(shù)據(jù)137
6.4.3　第3步—基于數(shù)據(jù)訓練模型139
6.4.4　第4步—評估模型的性能142
6.4.5　第5步—提高模型的性能143
6.5　總結145
第7章　黑箱方法—神經(jīng)網(wǎng)絡和支持向量機147
7.1理解神經(jīng)網(wǎng)絡147
7.1.1從生物神經(jīng)元到人工神經(jīng)元148
7.1.2激活函數(shù)149
7.1.3網(wǎng)絡拓撲151
7.1.4用后向傳播訓練神經(jīng)網(wǎng)絡154
7.2例子—用人工神經(jīng)網(wǎng)絡對混凝土的強度進行建模155
7.2.1第1步—收集數(shù)據(jù)155
7.2.2第2步—探索和準備數(shù)據(jù)156
7.2.3第3步—基于數(shù)據(jù)訓練模型157
7.2.4第4步—評估模型的性能159
7.2.5第5步—提高模型的性能159
7.3理解支持向量機161
7.3.1用超平面分類161
7.3.2對非線性空間使用核函數(shù)164
7.4例子—用支持向量機進行光學字符識別166
7.4.1第1步—收集數(shù)據(jù)166
7.4.2第2步—探索和準備數(shù)據(jù)167
7.4.3第3步—基于數(shù)據(jù)訓練模型168
7.4.4第4步—評估模型的性能170
7.4.5第5步—提高模型的性能171
7.5總結172
第8章　探尋模式—基于關聯(lián)規(guī)則的購物籃分析173
8.1理解關聯(lián)規(guī)則173
8.1.1用于關聯(lián)規(guī)則學習的Apriori算法174
8.1.2度量規(guī)則興趣度—支持度和置信度175
8.1.3用Apriori原則建立規(guī)則176
8.2例子—用關聯(lián)規(guī)則確定經(jīng)常一起購買的食品雜貨177
8.2.1第1步—收集數(shù)據(jù)177
8.2.2第2步—探索和準備數(shù)據(jù)178
8.2.3第3步—基于數(shù)據(jù)訓練模型183
8.2.4第4步—評估模型的性能185
8.2.5第5步—提高模型的性能187
8.3總結190
第9章　尋找數(shù)據(jù)的分組—k均值聚類191
9.1理解聚類191
9.1.1聚類—一種機器學習任務192
9.1.2k均值聚類算法193
9.2例子—用k均值聚類探尋青少年市場細分198
9.2.1第1步—收集數(shù)據(jù)199
9.2.2第2步—探索和準備數(shù)據(jù)199
9.2.3第3步—基于數(shù)據(jù)訓練模型203
9.2.4第4步—評估模型的性能205
9.2.5第5步—提高模型的性能207
9.3總結208