機器學習實踐——基於Weka和Sklearn
徐光美、張敬尊、王金華
- 出版商: 清華大學
- 出版日期: 2026-07-01
- 售價: $297
- 語言: 簡體中文
- ISBN: 730272069X
- ISBN-13: 9787302720690
-
相關分類:
Machine Learning
下單後立即進貨 (約4週~6週)
商品描述
本書是一本理論與實踐緊密結合的機器學習入門書籍，系統講解機器學習的基本概念與核心原理，並通過豐富的實例與代碼演示引導讀者動手實踐，內容涵蓋數據預處理、特征工程、模型選擇、模型評估等機器學習全流程。全書共13章，分為理論基礎與實踐應用兩大部分。理論基礎部分重點講解經典機器學習方法，每種方法均配有基於Weka的實踐步驟和基於Sklearn的代碼實現。實踐應用部分提供3個綜合性案例，詳細展示如何運用Weka和Sklearn解決實際問題。 本書理論與實踐並重，註重對算法原理的直觀理解與實際應用；提供Weka和Sklearn雙平臺實現，旨在滿足不同讀者的學習需求；提供豐富的實踐案例，涵蓋金融、遙感、社會經濟等多個領域；代碼註釋詳盡，便於讀者理解與二次開發。 本書既可作為高等學校計算機類相關專業的本科教材，也可作為數據科學家、工程師及機器學習愛好者的自學參考用書。
作者簡介
徐光美(1977-),女，博士，副教授，CCF會員，研究方向為數據挖掘、計算機視覺。2008年1月於北京科技大學計算機應用技術專業獲得博士學位。，現為信息學院計算機工程系教師，主要研究方向為數據挖掘。
目錄大綱
目錄
配套資源第1章機器學習概述1
1.1機器學習發展史1
1.2機器學習基本概念3
1.3機器學習分類4
1.4機器學習的一般步驟5
1.5本書實驗環境介紹6
1.5.1Weka的安裝與使用6
1.5.2Anaconda的安裝與使用11
1.5.3Sklearn的安裝與使用12
第2章數據預處理21
2.1缺失值處理方法21
2.2離散化方法23
2.2.1等寬離散化23
2.2.2等頻離散化24
2.2.3其他離散化方法26
2.3數據規範化方法27
2.3.1最小最大規範化27
2.3.2Zscore規範化28
2.3.3小數定標規範化29
2.4屬性（特征）選擇方法30
2.4.1過濾式30
2.4.2包裹式32
2.4.3嵌入式32
2.4.4Weka中的屬性選擇32
2.4.5Sklearn中的屬性選擇35
2.5特征提取方法36
2.5.1主成分分析方法36
2.5.2流形學習方法37
2.5.3Weka中的特征提取38
2.5.4Sklearn中的特征提取39
2.6數據集劃分方法41
2.6.1常見數據集劃分方法41
2.6.2基於Weka分割數據集42
2.6.3基於Sklearn分割數據集42
2.7不平衡數據集處理方法45
2.7.1常見處理方法45
2.7.2基於Weka處理不平衡數據集46
2.7.3基於Python處理不平衡數據集48
第3章模型評估方法51
3.1分類模型評估方法51
3.1.1基本方法51
3.1.2基於Weka的分類模型評估54
3.1.3基於Sklearn的分類模型評估56
3.2回歸模型評估方法59
3.2.1基本方法59
3.2.2基於Weka的回歸模型評估60
3.2.3基於Sklearn的回歸模型評估61
3.3聚類模型評估方法63
3.3.1外部評估方法63
3.3.2內部評估方法64
3.3.3基於Weka的聚類模型評估65
3.3.4基於Sklearn的聚類模型評估69
第4章回歸方法71
4.1線性回歸方法71
4.2邏輯回歸72
4.3回歸算法應用與實踐74
4.3.1基於Weka的邏輯回歸實踐74
4.3.2基於Sklearn的邏輯回歸實踐77
第5章基於實例的方法85
5.1KNN算法85
5.2KNN應用與實踐88
5.2.1基於Weka的KNN分類實踐88
5.2.2基於Sklearn的KNN分類實踐90第6章決策樹方法97
6.1ID3算法97
6.2C4.5算法99
6.3CART算法101
6.4決策樹方法應用與實踐103
6.4.1基於Weka的決策樹分類103
6.4.2基於Sklearn的決策樹分類105
第7章樸素貝葉斯方法110
7.1貝葉斯方法110
7.2樸素貝葉斯方法111
7.3樸素貝葉斯方法應用與實踐112
7.3.1基於Weka的樸素貝葉斯分類實踐113
7.3.2基於Sklearn的樸素貝葉斯分類實踐114
第8章聚類方法117
8.1K均值聚類117
8.2層次聚類方法119
8.3密度聚類方法120
8.4譜聚類方法121
8.5聚類方法應用與實踐122
8.5.1基於Weka的聚類實踐122
8.5.2基於Sklearn的聚類實踐128
第9章支持向量機方法135
9.1基本概念135
9.2線性SVM137
9.3非線性SVM137
9.4支持向量機方法應用與實踐138
9.4.1基於Weka的支持向量機實踐138
9.4.2基於Sklearn的支持向量機實踐140
第10章人工神經網絡144
10.1基本概念144
10.2人工神經網絡的發展145
10.3人工神經網絡的基本結構148
10.3.1神經元的工作原理148
10.3.2人工神經網絡的工作流程150
10.4神經網絡方法應用與實踐153
10.4.1基於Weka的神經網絡實踐154
10.4.2基於Sklearn的神經網絡實踐156
第11章信用卡欺詐預測164
11.1數據集164
11.2基於Weka的信用卡欺詐預測164
11.2.1數據預處理164
11.2.2基於樸素貝葉斯的信用卡欺詐預測167
11.2.3基於決策樹的信用卡欺詐預測169
11.3基於Sklearn的信用卡欺詐預測171
11.3.1數據預處理171
11.3.2基於樸素貝葉斯的信用卡欺詐預測172
11.3.3基於決策樹的信用卡欺詐預測175
第12章高光譜遙感數據分類181
12.1數據集181
12.2基於Weka的高光譜遙感數據分類183
12.2.1數據預處理183
12.2.2基於支持向量機的高光譜遙感數據分類183
12.2.3基於隨機森林的高光譜遙感數據分類184
12.3基於Sklearn的高光譜遙感數據分類186
12.3.1數據預處理186
12.3.2基於支持向量機的高光譜遙感數據預測187
12.3.3基於隨機森林的高光譜遙感數據分類188
第13章成年人收入預測192
13.1數據集192
13.2基於Weka的成年人收入預測192
13.2.1數據預處理193
13.2.2基於決策樹的成年人收入預測分類194
13.2.3基於樸素貝葉斯的成年人收入預測分類196
13.3基於Sklearn的成年人收入預測196
13.3.1數據預處理196
13.3.2基於決策樹的成年人收入預測分類200
13.3.3基於樸素貝葉斯的成年人收入預測分類208
參考文獻213
