基於機器學習的數據分析方法

第1章 機器學習基礎    001
1.1 機器學習及基本概念    002
1.1.1 什麼是機器學習    002
1.1.2 機器學習中的一些基本概念    003
1.2 機器學習三要素    005
1.2.1 模型    005
1.2.2 策略    006
1.2.3 算法    009
1.3 機器學習分類    009
1.3.1 監督學習    010
1.3.2 無監督學習    013
1.3.3 半監督學習    013
1.3.4 強化學習    013
1.4 回歸模型發展現狀    014
1.4.1 線性回歸    014
1.4.2 基於鄰近信息的回歸模型    018
1.4.3 魯棒回歸模型    020

第2章 基於正則化方法的回歸模型    023
2.1 正則化方法    024
2.2 基於最小二乘估計的正則化方法    025
2.2.1 最小二乘估計    025
2.2.2 嶺回歸    026
2.2.3 Lasso估計    027
2.2.4 自適應Lasso    027
2.2.5 SCAD估計    028
2.2.6 彈性網絡回歸    029
2.3 魯棒（穩健）正則化方法    029

第3章 自加權魯棒正則化方法    033
3.1 自加權魯棒方法    034
3.2 L0正則項    035
3.3 基於SELO懲罰項的自加權估計方法    037
3.3.1 自適應正則項    037
3.3.2 RSWSELO估計    038
3.3.3 理論性質及證明    039
3.4 實驗驗證與分析    044
3.4.1 模擬實驗結果與分析    044
3.4.2 標準數據集上的實驗    049

第4章 基於自變量相關的魯棒回歸模型    055
4.1 自變量相關性問題    056
4.2 基於Elastic Net罰的魯棒估計方法    058
4.2.1 模型構建    058
4.2.2 理論性質分析及證明    059
4.2.3 求解算法    066
4.3 實驗驗證與分析    068
4.3.1 模擬實驗結果與分析    068
4.3.2 真實數據集上的實驗    080

第5章 基於因變量相關的Lasso回歸模型    083
5.1 因變量相關性問題    084
5.2 Network Lasso估計及其性質    085
5.2.1 模型的構建    085
5.2.2 誤差界估計    087
5.3 實驗結果與分析    097
5.3.1 人工數據集上的實驗    097
5.3.2 真實數據集上的實驗    109

第6章 面向網絡數據的Elastic Net回歸模型    111
6.1 網絡數據問題    112
6.2 面向網絡數據的回歸模型    112
6.3 Network Elastic Net 模型構建    114
6.3.1 模型構建    114
6.3.2 求解算法    115
6.4 實驗結果與分析    117
6.4.1 人工數據集上的實驗    117
6.4.2 實際數據分析    126

附錄    131

參考文獻    140