機器學(xué)習(xí)算法評估實戰(zhàn)（全彩印刷）

第 1章 分類的藝術(shù)　1
1．1　訓(xùn)練集和測試集的選擇　1
1．2　準(zhǔn)召率和P-R曲線　6
1．3　ROC和AUC　8
1．5　異常檢測　12
1．5　小結(jié)　14
第　2章 一個好的回歸算法　15
2．1　ME那些事　15
2．2　方差和偏差　17
2．3　欠擬合和過擬合　18
2．4　正則化方法　20
2．5　回歸算法的對比　24
2．5．1　線性回歸　24
2．5．2　局部加權(quán)線性回歸　25
2．5．3　嶺回歸　26
2．6　梯度下降的對比　26
2．6．1　一般的梯度下降　26
2．6．2　隨機梯度下降和批量梯度下降　28
2．6．3　動量梯度下降　29
2．6．4　AdaGrad、RMSProp和Adam　29
2．7　小結(jié)　31
第3章　“硬核”聚類　33
3．1　無監(jiān)督學(xué)習(xí)　33
3．2　聚類算法的評估指標(biāo)　34
3．2．1　霍普金斯統(tǒng)計量　34
3．2．2　類簇的數(shù)量　35
3．2．3　聚類效果　39
3．3　聚類算法的對比　44
3．3．1　基于密度的聚類　44
3．3．2　K-means　45
3．3．3　基于層次的聚類　46
3．3．4　基于概率的聚類　47
3．4　小結(jié)　48
第4章　慧眼識天下——深度學(xué)習(xí)算法原理對比　49
4．1　卷積神經(jīng)網(wǎng)絡(luò)　49
4．1．1　簡單的卷積神經(jīng)網(wǎng)絡(luò)　49
4．1．2　詳解卷積神經(jīng)網(wǎng)絡(luò)　53
4．2　循環(huán)神經(jīng)網(wǎng)絡(luò)　60
4．2．1　圖解RNN　60
4．2．2　RNN的訓(xùn)練　65
4．2．3　RNN的變化形式　67
4．3　更實用的模型　68
4．3．1　LSTM　69
4．3．2　Seq2Seq　71
4．3．3　注意力機制　73
4．4　小結(jié)　74
第5章　智慧的語言——NLP算法實戰(zhàn)與評估　76
5．1　文字的預(yù)處理　76
5．1．1　嵌入　76
5．1．2　word2vec　77
5．1．3　詞袋模型與TF-IDF　82
5．2　RNN文本分類　84
5．2．1　RNN文本分類的模塊　84
5．2．2　參數(shù)定義　84
5．2．3　預(yù)處理　85
5．2．4　模型定義　86
5．2．5　模型訓(xùn)練和評估　87
5．3　HAN文本分類　88
5．3．1　HAN和GRU的基本原理　88
5．3．2　HAN的注意力層　90
5．4　NLP評估　92
5．4．1　N-gram　92
5．4．2　BLEU　93
5．4．3　ROUGE　96
5．4．4　Pointwise、Pairwise和Listwise排序算法　98
5．5　小結(jié)　100
第6章　預(yù)言家的思考——樹模型的對比與評估　101
6．1　基礎(chǔ)樹模型的對比　101
6．1．1　ID3　101
6．1．2　C4．5　103
6．1．3　CART　104
6．2　隨機森林和AdaBoost　106
6．2．1　隨機森林　106
6．2．2　AdaBoost　108
6．3　GBDT　110
6．3．1　GBDT簡介　110
6．3．2　GBDT和回歸問題　111
6．3．3　GBDT和分類問題　117
6．4　XGBoost　124
6．4．1　XGBoost簡介　124
6．4．2　XGBoost回歸算法　127
6．4．3　XGBoost分類算法　132
6．4．4　XGBoost的優(yōu)化方法和特征評估　136
6．4．5　GBDT和XGBoost的對比評估　139
6．5　小結(jié)　140
第7章　愛我所愛——推薦算法對比與評估　141
7．1　多路召回　141
7．1．1　基于用戶的協(xié)同過濾　141
7．1．2　基于物品的協(xié)同過濾　144
7．2　邏輯斯諦回歸　145
7．2．1　邏輯斯諦回歸的基本原理　145
7．2．2　邏輯斯諦回歸和推薦排序　148
7．3　FM、FFM和特征組合　150
7．3．1　FM基本原理　151
7．3．2　用FFM和GBDT進行高階特征組合　153
7．4　Wide&Deep　155
7．5　更有趣的模型——Transformer　157
7．5．1　模型整體架構(gòu)　158
7．5．2　注意力機制　159
7．5．3　編碼器　163
7．5．4　解碼器　163
7．5．5　基于位置的前饋神經(jīng)網(wǎng)絡(luò)　164
7．5．6　嵌入層　165
7．5．7　線性層和softmax層　166
7．5．8　Transformer在推薦系統(tǒng)的應(yīng)用　167
7．6　推薦算法的評估　170
7．6．1　準(zhǔn)確度指標(biāo)　171
7．6．2　排序指標(biāo)　172
7．6．3　覆蓋率　175
7．6．4　多樣性和新穎性　175
7．7　小結(jié)　176
第8章　奇門遁甲—LBS算法與評估　177
8．1　坐標(biāo)　177
8．1．1　坐標(biāo)生成　177
8．1．2　基于密度的坐標(biāo)生成　179
8．1．3　基于GeoHash塊熱度的坐標(biāo)生成　180
8．1．4　坐標(biāo)質(zhì)量評估　181
8．2　路線　183
8．2．1　路線相似度評估　183
8．2．2　路線規(guī)劃——Dijkstra算法　185
8．2．3　路線排序　188
8．2．4　路線質(zhì)量評估　194
8．3　小結(jié)　196
第9章　評估利器——交互式可視化　198
9．1　R語言簡介　198
9．1．1　為什么要可視化　198
9．1．2　R語言介紹　199
9．1．3　數(shù)據(jù)生態(tài)　202
9．2　Shiny可視化　204
9．2．1　UI布局　204
9．2．2　服務(wù)器　209
9．2．3　可視化評估示例　212
9．3　小結(jié)　215
第　10章 像哲學(xué)家一樣思考——因果推斷　216
10．1　機器學(xué)習(xí)之殤　216
鸚鵡學(xué)舌vs．烏鴉喝水　216
10．2　辛普森悖論　218
10．3　伯克森悖論　223
10．4　智能之梯　224
10．4．1　因果推斷的起源　224
10．4．2　智能之梯　225
10．5　因果推斷的方法　228
10．5．1　雙重差分模型　228
10．5．2　工具變量　229
10．5．3　中介模型　231
10．6　小結(jié)　232
第　11章 基礎(chǔ)評估方法——假設(shè)檢驗　234
11．1　卡方檢驗　234
11．2　T檢驗　236
11．3　Z檢驗和F檢驗　238
11．4　小結(jié)　241
參考文獻　242