Python機器學習算法 Python机器学习算法

《Python機器學習算法》內容提要
《Python機器學習算法》是一本機器學習入門讀物，註重理論與實踐的結合。

全書主要包括6個部分，每個部分均以典型的機器學習算法為例，從算法原理出發，由淺入深，詳細介紹算法的理論，並配合目前流行的Python語言，從零開始，實現每一個算法，以加強對機器學習算法理論的理解、增強實際的算法實踐能力，最終達到熟練掌握每一個算法的目的。與其他機器學習類圖書相比，《Python機器學習算法》同時包含算法理論的介紹和算法的實踐，以理論支撐實踐，同時，又將復雜、枯燥的理論用簡單易懂的形式表達出來，促進對理論的理解。

0緒論1 

0.1機器學習基礎1 

0.1.1機器學習的概念1 

0.1.2機器學習算法的分類2 

0.2監督學習3 

0.2.1監督學習3 

0.2.2監督學習的流程3 

0.2.3監督學習算法4 

0.3無監督學習4 

0.3.1無監督學習4 

0.3.2無監督學習的流程4 

0.3.3無監督學習算法5 

0.4推薦系統和深度學習6 

0.4.1推薦系統6 

0.4.2深度學習6 

0.5Python和機器學習算法實踐6 

參考文獻7 

第一部分分類算法

1Logistic Regression10 

1.1Logistic Regression模型10 

1.1.1線性可分VS線性不可分10 

1.1.2Logistic Regression模型11 

1.1.3損失函數13 

1.2梯度下降法14 

1.2.1梯度下降法的流程14 

1.2.2凸優化與非凸優化15 

1.2.3利用梯度下降法訓練Logistic Regression模型17 

1.3梯度下降法的若干問題18 

1.3.1選擇下降的方向18 

1.3.2步長的選擇19 

1.4Logistic Regression算法實踐20 

1.4.1利用訓練樣本訓練Logistic Regression模型20 

1.4.2最終的訓練效果22 

1.4.3對新數據進行預測23 

參考文獻26 

2Softmax Regression27 

2.1 分類問題27 

2.2Softmax Regression算法模型28 

2.2.1Softmax Regression模型28 

2.2.2Softmax Regression算法的代價函數28 

2.3Softmax Regression算法的求解29 

2.4Softmax Regression與Logistic Regression的關係31 

2.4.1Softmax Regression中的參數特點31 

2.4 .2由Softmax Regression到Logistic Regression31 

2.5Softmax Regression算法實踐32 

2.5.1對Softmax Regression算法的模型進行訓練33 

2.5.2最終的模型34 

2.5.3對新的數據的預測35 

參考文獻39 

3Factorization Machine40 

3.1Logistic Regression算法的不足40 

3.2因子分解機FM的模型42 

3.2.1因子分解機FM模型42 

3.2.2因子分解機FM可以處理的問題43 

3.2.3二分類因子分解機FM算法的損失函數43 

3.3FM算法中交叉項的處理43 

3.3.1交叉項係數43 

3.3.2模型的求解44 

3.4FM算法的求解45 

3.4.1隨機梯度下降（Stochastic Gradient Descent）45 

3.4.2基於隨機梯度的方式求解45 

3.4 .3FM算法流程46 

3.5因子分解機FM算法實踐49 

3.5.1訓練FM模型50 

3.5.2 終的訓練效果53 

3.5.3對新的數據進行預測55 

參考文獻57 

4支持向量機58 

4.1二分類問題58 

4.1.1二分類的分隔超平面58 

4.1.2感知機算法59 

4.1.3感知機算法存在的問題61 

4.2函數間隔和幾何間隔61 

4.2.1函數間隔62 

4.2.2幾何間隔62 

4.3支持向量機63 

4.3.1間隔最大化63 

4.3.2支持向量和間隔邊界64 

4.3.3線性支持向量機65 

4.4支持向量機的訓練66 

4.4.1學習的對偶算法66 

4.4.2由線性支持向量機到非線性支持向量機68 

4.4.3序列最小最優化算法SMO69 

4.5支持向量機SVM算法實踐74 

4.5.1訓練SVM模型74 

4.5.2利用訓練樣本訓練SVM模型81 

4.5.3利用訓練好的SVM模型對新數據進行預測85 

參考文獻88 

5隨機森林89 

5.1決策樹分類器89 

5.1.1決策樹的基本概念89 

5.1.2選擇最佳劃分的標準91 

5.1.3停止劃分的標準94 

5.2CART分類樹算法95 

5.2.1CART分類樹算法的基本原理95 

5.2.2CART分類樹的構建95 

5.2.3利用構建好的分類樹進行預測98 

5. 3集成學習（Ensemble Learning）99 

5.3.1集成學習的思想99 

5.3.2集成學習中的典型方法99 

5.4隨機森林（Random Forests）101 

5.4.1隨機森林算法模型101 

5.4.2隨機森林算法流程102 

5.5隨機森林RF算法實踐104 

5.5.1訓練隨機森林模型105 

5.5.2最終的訓練結果109 

5.5.3對新數據的預測110 

參考文獻113 

6BP神經網絡114 

6.1神經元概述114 

6.1.1神經元的基本結構114 

6.1.2激活函數115 

6.2神經網絡模型116 

6.2.1神經網絡的結構116 

6.2.2神經網絡中的參數說明117 

6.2.3神經網絡的計算117 

6.3神經網絡中參數的求解118 

6.3. 1神經網絡損失函數118 

6.3.2損失函數的求解119 

6.3.3BP神經網絡的學習過程120 

6.4BP神經網絡中參數的設置126 

6.4.1非線性變換126 

6.4.2權重向量的初始化126 

6.4.3學習率127 

6.4.4隱含層節點的個數127 

6.5BP神經網絡算法實踐127 

6.5.1訓練BP神經網絡模型128 

6.5.2最終的訓練效果132 

6.5.3對新數據的預測133 

參考文獻136 

二部分回歸算法

7線性回歸138 

7.1基本線性回歸138 

7.1.1線性回歸的模型138 

7.1.2線性回歸模型的損失函數139 

7.2線性回歸的最小二乘解法140 

7.2.1線性回歸的最小二乘解法140 

7.2.2廣義逆的概念141 

7.3牛頓法141 

7.3.1基本牛頓法的原理141 

7.3.2基本牛頓法的流程142 

7.3.3全局牛頓法142 

7.3.4Armijo搜索144 

7.3.5利用全局牛頓法求解線性回歸模型145 

7.4利用線性回歸進行預測146 

7.4.1訓練線性回歸模型147 

7.4.2最終的訓練結果149 

7.4.3對新數據的預測150 

7.5局部加權線性回歸152 

7.5.1局部加權線性回歸模型152 

7.5.2局部加權線性回歸的最終結果153 

參考文獻154 

8嶺回歸和Lasso回歸155 

8.1線性回歸存在的問題155 

8.2嶺回歸模型156 

8.2.1嶺回歸模型156 

8.2.2嶺回歸模型的求解156 

8.3Lasso回歸模型157 

8.4擬牛頓法158 

8.4.1擬牛頓法158 

8.4.2BFGS校正公式的推導158 

8.4.3BFGS校正的算法流程159 

8.5L—BFGS求解嶺回歸模型162 

8. 5.1BGFS算法存在的問題162 

8.5.2L—BFGS算法思路162 

8.6嶺回歸對數據的預測165 

8.6.1訓練嶺回歸模型166 

8.6.2最終的訓練結果168 

8.6.3利用嶺回歸模型預測新的數據168 

參考文獻171 

9CART樹回歸172 

9.1複雜的回歸問題172 

9.1.1線性回歸模型172 

9.1.2局部加權線性回歸173 

9.1.3CART算法174 

9.2CART回歸樹生成175 

9.2.1CART回歸樹的劃分175 

9.2. 2CART回歸樹的構建177 

9.3CART回歸樹剪枝179 

9.3.1前剪枝179 

9.3.2後剪枝180 

9.4CART回歸樹對數據預測180 

9.4.1利用訓練數據訓練CART回歸樹模型180 

9.4.2最終的訓練結果182 

9.4.3利用訓練好的CART回歸樹模型對新的數據預測185 

參考文獻187 

第三部分聚類算法

10K—Means190 

10.1相似性的度量190 

10.1.1閔可夫斯基距離191 

10.1. 2曼哈頓距離191 

10.1.3歐氏距離191 

10.2K—Means算法原理192 

10.2.1K—Means算法的基本原理192 

10.2.2K—Means算法步驟193 

10.2.3K—Means算法與矩陣分解193 

10.3K—Means算法實踐1 95 

10.3.1導入數據196 

10.3.2初始化聚類中心197 

10.3.3聚類過程198 

10.3.4最終的聚類結果199 

10.4K—Means++算法200 

10.4.1K—Means算法存在的問題200 

10.4.2K —Means++算法的基本思路202 

10.4.3K—Means++算法的過程和最終效果204 

參考文獻205 

11Mean Shift206 

11.1Mean Shift向量206 

11.2核函數207 

11.3Mean Shift算法原理209 

11.3.1引入核函數的Mean Shift向量209 

11.3.2Mean Shift算法的基本原理210 

11.4Mean Shift算法的解釋212 

11.4.1概率密度梯度212 

11.4.2Mean Shift向量的修正213 

11.4.3Mean Shift算法流程213 

11.5Mean Shift算法實踐217 

11.5.1Mean Shift的主過程218 

11.5.2Mean Shift的最終聚類結果219 

參考文獻221 

12DBSCAN222 

12.1基於密度的聚類222 

12.1.1基於距離的聚類算法存在的問題222 

12.1.2基於密度的聚類算法225 

12.2DBSCAN算法原理225 

12.2.1DBSCAN算法的基本概念225 

12.2.2DBSCAN算法原理227 

12.2.3DBSCAN算法流程228 

12.3DBSCAN算法實踐231 

12.3.1DBSCAN算法的主 過程232 

12.3.2Mean Shift的最終聚類結果234 

參考文獻236 

13Label Propagation237 

13.1社區劃分237 

13.1.1社區以及社區劃分237 

13.1.2社區劃分的算法238 

13.1.3社區劃分的評價標準239 

13.2Label Propagation算法原理239 

13.2.1Label Propagation算法的基本原理239 

13.2.2標籤傳播240 

13.2.3迭代的終止條件242 

13.3Label Propagation算法過程244 

13.4Label Propagation算法實踐244 

13.4.1導入數據245 

13.4.2社區的劃分246 

13.4.3最終的結果247 

參考文獻248 

第四部分推薦算法

14協同過濾算法250 

14.1推薦系統的概述250 

14.1.1推薦系統250 

14.1.2推薦問題的描述251 

14.1.3推薦的常用方法251 

14.2基於協同過濾的推薦252 

14.2.1協同過濾算法概述252 

14.2.2協同過濾算法的分類252 

14.3相似度的度量方法253 

14.3.1歐氏距離254 

14.3.2皮爾遜相關係數（Pearson Correlation）254 

14.3. 3餘弦相似度254 

14.4基於協同過濾的推薦算法256 

14.4.1基於用戶的協同過濾算法256 

14. 4.2基於項的協同過濾算法258 

14.5利用協同過濾算法進行推薦260 

14.5.1導入用戶—商品數據260 

14.5.2利用基於用戶的協同過濾算法進行推薦261 

14.5.3利用基於項的協同過濾算法進行推薦262 

參考文獻264 

15基於矩陣分解的推薦算法265 

15.1矩陣分解265 

15.2基於矩陣分解的推薦算法266 

15.2.1損失函數266 

15.2.2損失函數的求解266 

15.2.3加入正則項的損失函數即求解方法267 

15.2.4預測269 

15.3利用矩陣分解進行推薦270 

15.3.1利用梯度下降對用戶商品矩陣分解和預測270 

15.3.2最終的結果272 

15.4非負矩陣分解273 

15.4.1非負矩陣分解的形式化定義274 

15.4.2損失函數274 

15.4.3優化問題的求解274 

15.5利用非負矩陣分解進行推薦277 

15.5.1利用乘法規則進行分解和預測277 

15.5.2最終的結果278 

參考文獻279 

16基於圖的推薦算法280 

16.1二部圖與推薦算法280 

16.1.1二部圖280 

16.1.2由用戶商品矩陣到二部圖281 

16.2PageRank算 法282 

16.2.1PageRank算法的概念282 

16.2.2PageRank的兩個假設283 

16.2.3PageRank的計算方法283 

16.3PersonalRank算法285 

16.3.1PersonalRank算法原理285 

16.3.2PersonalRank算法的流程286 

16.4利用PersonalRank算法進行推薦288 

16.4. 1利用PersonalRank算法進行推薦288 

16.4.2最終的結果291 

參考文獻291 

第五部分深度學習

17AutoEncoder294 

17.1多層神經網絡294 

17.1.1三層神經網絡模型294 

17.1.2由三層神經網絡到多層神經網絡295 

17.2AutoEncoder模型296 

17.2.1AutoEncoder模型結構296 

17.2.2AutoEncoder的損失函數297 

17.3降噪自編碼器Denoising AutoEncoder298 

17.3.1Denoising AutoEncoder原理298 

17.3.2Denoising AutoEncoder實現299 

17.4利用Denoising AutoEncoders構建深度網絡302 

17.4.1無監督的逐層訓練302 

17.4.2有監督的微調303 

17.5利用TensorFlow實現Stacked Denoising AutoEncoders306 

17.5.1訓練Stacked Denoising AutoEncoders模型306 

17.5.2訓練的過程307 

參考文獻308 

18卷積神經網絡309 

18.1傳 神經網絡模型存在的問題309 

18.2卷積神經網絡311 

18.2.1卷積神經網絡中的核心概念311 

18.2.2卷積神經網絡模型312 

18.3卷積神經網絡的求解313 

18.3.1卷積層（Convolution Layer）313 

18.3.2下採樣層（Sub—Sampling Layer）316 

18.3.3全連接層（Fully—Connected Layer）316 

18.4利用TensorFlow實現CNN316 

18.4.1CNN的實現316 

18.4.2訓練CNN模型320 

18.4.3訓練的過程321 

參考文獻321 

第六部分項目實踐

19微博精準推薦324 

19.1精準推薦324 

19.1.1精準推薦的項目背景324 

19.1.2精準推薦的技術架構325 

19.1.3離線數據挖掘326 

19.2基於用戶行為的挖掘327 

19.2.1基於互動內容的興趣挖掘327 

19.2.2基於與博主互動的興趣挖掘328 

19.3基於相似用戶的挖掘329 

19.3.1基於“@”人的相似用戶挖掘329 

19.3.2基於社區的相似用戶挖掘329 

19.3.3基於協同過濾的相似用戶挖掘331 

19.4點擊率預估332 

19.4.1點擊率預估的概念332 

19.4.2點擊率預估的方法332 

1 9.5各種數據技術的效果334 

參考文獻335 

附錄A336 

附錄B341