Scikit-learn機器學習詳解（下）

本書主要內容包括普通最小二乘法回歸、嶺回歸、Lasso回歸、彈性網絡回歸、正交匹配追踪回歸、貝葉斯回歸、
廣義線性回歸、隨機梯度下降回歸、被動攻擊回歸、魯棒回歸、多項式回歸、支持向量機回歸、核嶺回歸、
最近鄰回歸、高斯過程回歸、決策樹、神經網絡模型、保序回歸、嶺分類、邏輯回歸分類、隨機梯度下降分類、
感知機、被動攻擊分類、支持向量機分類、最近鄰分類、高斯過程分類、樸素貝葉斯模型、
決策樹分類和神經網絡分類、無監督學習、半監督學習等。
全書結合具體實例和圖表詳細講解，語言通俗，易於學習，
適合機器學習和數據挖掘專業人員和人工智能愛好者閱讀，也可作為高等院校人工智能專業教材。

潘風文
 1969年生人，北京大學計算機專業博士，曾任職華為公司，專注大數據、數據挖掘、機器學習領域二十餘年，
曾成功主持過多項商業智能BI項目，涉及電商平台、搜索引擎、企業徵信、用戶畫像、
移動支付、銀行金融等領域，具有非常豐富的項目開發經驗。

緒論1

1 回歸模型6
1.1 回歸算法分類9
1.1.1 一般線性回歸9
1.1.2 廣義線性回歸10
1.1.3 非線性回歸14
1.2 回歸模型的度量指標14
1.3 樣本權重係數的理解17

2 線性回歸模型18
2.1 普通最小二乘法19
2.2 嶺回歸（L2正則化回歸） 24
2.2.1 嶺回歸評估器24
2.2.2 嶺跡曲線29
2.2.3 交叉驗證嶺回歸評估器31
2.3 Lasso回歸（L1正則化回歸） 36
2.3.1 Lasso回歸評估器37
2.3.2 Lasso路徑42
2.3.3 交叉驗證Lasso回歸評估器44
2.3.4 多任務Lasso回歸50
2.3.5 最小角Lasso回歸61
2.4 彈性網絡回歸71
2.4.1 彈性網絡回歸評估器71
2.4.2 交叉驗證彈性網絡回歸評估器76
2.4.3 多任務彈性網絡回歸評估器81
2.4.4 交叉驗證多任務彈性網絡回歸評估器84
2.5 正交匹配追踪回歸86
2.6 貝葉斯線性回歸92
2.7 廣義線性回歸96
2.8 隨機梯度下降回歸100
2.9 被動攻擊回歸108
2.10 魯棒回歸114
2.10.1 隨機抽樣一致性回歸114
2.10.2 泰爾-森回歸119
2.10.3 胡貝爾回歸123
2.11 多項式回歸127

3 非線性回歸模型132
3.1 支持向量機回歸133
3.2 核嶺回歸145
3.3 最近鄰回歸147
3.3.1 算法簡介149
3.3.2 距離度量指標151
3.3.3 最近鄰回歸評估器154
3.4 高斯過程回歸159
3.5 決策樹167
3.5.1 決策樹模型算法簡介168
3.5.2 決策樹回歸評估器185
3.6 神經網絡模型191
3.7 保序回歸199

4 分類模型203
4.1 廣義線性回歸分類與非線性分類模型204
4.2 分類模型的度量指標209

5 線性分類模型210
5.1 嶺分類211
5.2 邏輯回歸分類214
5.3 隨機梯度下降分類219
5.4 感知機222
5.5 被動攻擊分類226

6 非線性分類模型231
6.1 支持向量機分類232
6.1.1 支持向量分類評估器SVC 232
6.1.2 支持向量分類評估器NuSVC 234
6.1.3 支持向量分類評估器LinearSVC 234
6.2 最近鄰分類237
6.2.1 K最近鄰分類評估器KNeighborsClassifier 237
6.2.2 徑向基最近鄰分類評估器240
6.3 高斯過程分類241
6.4 樸素貝葉斯模型244
6.4.1 樸素貝葉斯算法246
6.4.2 樸素貝葉斯分類250
6.5 決策樹分類255
6.6 神經網絡分類259

7 無監督學習及模型263
7.1 聚類264
7.1.1 聚類算法簡介267
7.1.2 聚類模型270
7.2 雙聚類282
7.2.1 譜聯合聚類283
7.2.2 譜雙聚類286

8 半監督學習及模型287
8.1 標籤傳播算法289
8.2 標籤蔓延算法291
8.3 自訓練分類器292