精通機器學習：基于R（第2版）

第1章 成功之路1
1．1 流程1
1．2 業(yè)務理解2
1．2．1 確定業(yè)務目標3
1．2．2 現(xiàn)狀評估4
1．2．3 確定分析目標4
1．2．4 建立項目計劃4
1．3 數(shù)據(jù)理解4
1．4 數(shù)據(jù)準備5
1．5 建模5
1．6 評價6
1．7 部署6
1．8 算法流程圖7
1．9 小結(jié)10
第 2章 線性回歸：機器學習基礎技術11
2．1 單變量回歸11
2．2 多變量線性回歸18
2．2．1 業(yè)務理解18
2．2．2 數(shù)據(jù)理解和數(shù)據(jù)準備18
2．2．3 模型構(gòu)建與模型評價21
2．3 線性模型中的其他問題30
2．3．1 定性特征30
2．3．2 交互項32
2．4 小結(jié)34
第3章 邏輯斯蒂回歸與判別分析35
3．1 分類方法與線性回歸35
3．2 邏輯斯蒂回歸36
3．2．1 業(yè)務理解36
3．2．2 數(shù)據(jù)理解和數(shù)據(jù)準備37
3．2．3 模型構(gòu)建與模型評價41
3．3 判別分析概述46
3．4 多元自適應回歸樣條方法50
3．5 模型選擇54
3．6 小結(jié)57
第4章 線性模型中的高 級特征選擇技術58
4．1 正則化簡介58
4．1．1 嶺回歸59
4．1．2 LASSO59
4．1．3 彈性網(wǎng)絡60
4．2 商業(yè)案例60
4．2．1 業(yè)務理解60
4．2．2 數(shù)據(jù)理解和數(shù)據(jù)準備60
4．3 模型構(gòu)建與模型評價65
4．3．1 * 優(yōu)子集65
4．3．2 嶺回歸68
4．3．3 LASSO71
4．3．4 彈性網(wǎng)絡73
4．3．5 使用glmnet進行交叉驗證76
4．4 模型選擇78
4．5 正則化與分類問題78
4．6 小結(jié)81
第5章 更多分類技術：K-* 近鄰與
支持向量機82
5．1 K-* 近鄰82
5．2 支持向量機84
5．3 商業(yè)案例86
5．3．1 業(yè)務理解86
5．3．2 數(shù)據(jù)理解和數(shù)據(jù)準備87
5．3．3 模型構(gòu)建與模型評價92
5．3．4 模型選擇98
5．4 SVM中的特征選擇100
5．5 小結(jié)101
第6章 分類回歸樹103
6．1 本章技術概述103
6．1．1 回歸樹104
6．1．2 分類樹104
6．1．3 隨機森林105
6．1．4 梯度提升106
6．2 商業(yè)案例106
6．2．1 模型構(gòu)建與模型評價107
6．2．2 模型選擇121
6．2．3 使用隨機森林進行特征選擇121
6．3 小結(jié)123
第7章 神經(jīng)網(wǎng)絡與深度學習124
7．1 神經(jīng)網(wǎng)絡介紹124
7．2 深度學習簡介128
深度學習資源與高 級方法130
7．3 業(yè)務理解131
7．4 數(shù)據(jù)理解和數(shù)據(jù)準備132
7．5 模型構(gòu)建與模型評價136
7．6 深度學習示例139
7．6．1 H2O背景介紹139
7．6．2 將數(shù)據(jù)上載到H2O平臺140
7．6．3 建立訓練數(shù)據(jù)集和測試
數(shù)據(jù)集141
7．6．4 模型構(gòu)建142
7．7 小結(jié)146
第8章 聚類分析147
8．1 層次聚類148
8．2 K-均值聚類149
8．3 果瓦系數(shù)與圍繞中心的劃分150
8．3．1 果瓦系數(shù)150
8．3．2 PAM151
8．4 隨機森林151
8．5 業(yè)務理解152
8．6 數(shù)據(jù)理解與數(shù)據(jù)準備152
8．7 模型構(gòu)建與模型評價155
8．7．1 層次聚類155
8．7．2 K-均值聚類162
8．7．3 果瓦系數(shù)和PAM165
8．7．4 隨機森林與PAM167
8．8 小結(jié)168
第9章 主成分分析169
9．1 主成分簡介170
9．2 業(yè)務理解173
9．3 模型構(gòu)建與模型評價176
9．3．1 主成分抽取176
9．3．2 正交旋轉(zhuǎn)與解釋177
9．3．3 根據(jù)主成分建立因子得分178
9．3．4 回歸分析178
9．4 小結(jié)184
* 10章 購物籃分析、推薦引擎與
序列分析185
10．1 購物籃分析簡介186
10．2 業(yè)務理解187
10．3 數(shù)據(jù)理解和數(shù)據(jù)準備187
10．4 模型構(gòu)建與模型評價189
10．5 推薦引擎簡介192
10．5．1 基于用戶的協(xié)同過濾193
10．5．2 基于項目的協(xié)同過濾194
10．5．3 奇異值分解和主成分分析194
10．6 推薦系統(tǒng)的業(yè)務理解198
10．7 推薦系統(tǒng)的數(shù)據(jù)理解與數(shù)據(jù)準備198
10．8 推薦系統(tǒng)的建模與評價200
10．9 序列數(shù)據(jù)分析208
10．10 小結(jié)214
* 11章 創(chuàng)建集成多類分類215
11．1 集成模型215
11．2 業(yè)務理解與數(shù)據(jù)理解216
11．3 模型評價與模型選擇217
11．4 多類分類219
11．5 業(yè)務理解與數(shù)據(jù)理解220
11．6 模型評價與模型選擇223
11．6．1 隨機森林224
11．6．2 嶺回歸225
11．7 MLR集成模型226
11．8 小結(jié)228
* 12章 時間序列與因果關系229
12．1 單變量時間序列分析229
12．2 業(yè)務理解235
12．3 模型構(gòu)建與模型評價240
12．3．1 單變量時間序列預測240
12．3．2 檢查因果關系243
12．4 小結(jié)249
* 13章 文本挖掘250
13．1 文本挖掘框架與方法250
13．2 主題模型252
13．3 業(yè)務理解254
13．4 模型構(gòu)建與模型評價257
13．4．1 詞頻分析與主題模型257
13．4．2 其他定量分析261
13．5 小結(jié)267
* 14章 在云上使用R語言268
14．1 創(chuàng)建AWS賬戶269
14．1．1 啟動虛擬機270
14．1．2 啟動Rstudio272
14．2 小結(jié)274
附錄A R語言基礎275