機器學習實踐指南 基於R語言 机器学习实践指南 基于R语言

作者:[英]尼格爾·劉易斯（ND Lewis）譯者:高蓉李茂

尼格爾.劉易斯（ND Lewis）是一位數據科學和預測領域的講師、作者和研究者。他在華爾街和倫敦從事投資管理工作多年，編著了統計、數據科學和量化模型方面的數本圖書，並且在大學裡開設深度學習、機器學習和數據分析應用等方面的課程。
 

* 1章簡明學習問題… ……………………………………………………1 
1.1歸納推理和演繹推理的基礎…………………………………… ………………2 
1.2你曾遇到這些事情嗎？…………………………………………………………3 
1.3釋放歸納的力量………………………………………………………… ………3 
1.4推斷的陰陽之道…………………………………………………………………4 
1.5學習問題的三大要素………………… …………………………………………4 
1.6從數據中學習的目標……………………………………………………………6 
1.7闡明選擇標準……………………………………………………………………7 
1.8學習任務的選擇………………………………………… ………………………8 
附註………………………………………………………………………………………9 

* 2章監督學習………………………………………………………13 
2.1有效分類的基本要素………………………………………………………… …13 
2.2如何確定假設類 的答案………………………………………………………15 
2.3監督學習的兩個核心方法……………………………………………… ………16 
2.3.1生成算法的關鍵…………………………………………………………16 
2.3.2理解判別算法………………………… …………………………………17
2.4什麼是貝葉斯分類器……………………………………………………………17 
誤差下界………………………………………… ………………………………19 
2.5評估貝葉斯誤差的兩種簡單技巧………………………………………………19 
2.5.1 Mahalanobis技巧…… ………………………………………………19 
2.5.2 Bhattacharyya技巧…………………………………………………20 
2.6如何釋放樸素貝葉斯分類器的力量……………………………………………21 
一個建立直覺的例子………………………………………………………… …22 
2.7樸素貝葉斯分類器的R極簡建立方法…………………………………………24 
2.7.1一個模擬的例子… ………………………… ………………………………24 
2.7.2甲狀腺數據的分析………………………………………………………28 
2.8如何利用k-近鄰算 法的價值…………………………………………………33 
2.8.1深化理解的例子…………………………………………………… ……34 
2.8.2 k近鄰的R直接方法……………………………………………………37 
2.8.3如何決定k的*優值………………… …………………………………42 
2.9線性判別分析的關鍵……………………………………………………………42 
2.9.1求解廣義特徵值問題…………………………………………………44
2.9.2 R判別分析的基本要素…………………………………………………45 
2.9.3檢查你想要的模型類型…………………………… …………………49 
2.9.4不要止步於線性判別分析………………………………………………50 
2.10邏輯回歸分類的秘密…………………… ………………………………………51 
建立R邏輯回歸分類器的簡便方法……………………………………………53 
2.11激勵創意和激情的超級好主意…………………………………………………57 
附註……………………………………………………………………… ………………59 

第3章無監督學習……………………………………………………68 
3.1無監督學習簡介…………………………… ……………………………………68 
3.2兩種核心方法及其工作原理……………………………………………………69 
3.3無監督學 習的應用技術及R實現………………………………………………70 
3.4無監督學習的典型例子，你可以模仿學習……………………………… ……85 
3.4.1數據（圖像）預處理……………………………………………………86 
3.4.2處理圖像中的噪聲……………………… ………………………………86 
3.4.3顱骨“剝離”……………………………………………………………87 
3.4.4完美組合… ………………………………………………………………87 
附註……………………………………………………………… ……………………89

第4章半監督學習……………………………………………………91 
4.1未標記數據的作用…………………………………………… …………………92 
4.2一致性假設……………………………………………………………………94 
4.3嘗試半監督學習的極簡方法…… ……………………………………………94 
4.4自學習算法………………………………………………………………………95 
4.5基於半監督模型的R學習……………………………………………………98 
4.6使用土地分類掌握這種實踐說明… …………………………… ………………102 
附註……………………………………………………………………………………105 

第5章統計學習理論……… …………………………………………108 
5.1 Vapnik-Chervonenkis泛化界……………………………………………109 
5.2什麼是Vapnik-Chervonen kis維…………………………………………110 
5.3結構風險*小化的關鍵………………………………………………………113 
5.4實踐中使用統計學習理論的*佳建議………………………………………114 
5.5如何精通支持向量機……………………………………………… …………115 
5.6支持向量機的本質……………………………………………………………116 
鬆弛的處理……………………………… ……………………………………117
5.7如何建立R支持向量機………………………………………………………118 
附註…………………………………………………… ………………………………120 

第6章模型選擇………………………………………………………122 
6.1模型的快速改進…………… …………………………………………………122 
6.2一個價值500萬美元的小錯誤………………………………………………124 
6.3 “天下沒有免費午餐”定理之三大關鍵教訓…………………………………125 
6.4什麼是偏差和方差權衡……………………………………………… ………127 
6.4.1可約誤差………………………………………………………………128 
6.4.2偏差…………………………… ………………………………………129 
6.4.3方差……………………………………………………………………130 
6.5你的模型犯過這 種錯嗎？……………………………………………………131 
6.6留出技術的秘密…………………………………………………………… …132 
6.7有效交叉驗證的藝術…………………………………………………………134 
6.7.1 k-折交叉驗證…………………………… …………………………134 
6.7.2一個R案例……………………………………………………………135 
6.7.3留一驗證……… ………………………………………………………138 
附註……………………………………………………………………… ……………140
恭喜你！……………………………………………………………………142