快乐机器学习

结语

15.3 偏差和方差

15.2 单值评估指标

15.1 正交策略

第15章 本书总结

参考资料

14.3 总结

14.2 模型介绍

14.1 基础知识

引言

第14章 极度梯度提升

参考资料

13.3 总结

13.2 模型介绍

13.1 基础知识

引言

第13章 随机森林和提升树

参考资料

12.5 总结

12.4 集成方式

12.3 提升法

12.2 装袋法

12.1 结合假设

引言

第12章 集成学习

技术附录

参考资料

11.3 总结

11.2 算法介绍

11.1 基础知识

引言

第11章 正向/反向传播

10.2 模型应用

10.1 基本知识

引言

第10章 人工神经网络

参考资料

9.3 总结

9.2 模型介绍

9.1 基础知识

引言

第9章 决策树

技术附录

参考资料

8.3 总结

8.2 模型介绍

8.1 基础知识

引言

第8章 朴素贝叶斯

技术附录

参考资料

7.3 总结

7.2 模型介绍

7.1 基础知识

引言

第7章 支持向量机

参考资料

6.3 总结

6.2 模型介绍

6.1 基础知识

引言

第6章 正则化回归

参考资料

5.3 总结

5.2 模型介绍

5.1 基础内容

引言

第5章 对率回归

参考资料

4.3 总结

4.2.3 特征缩放

4.2 模型介绍

4.1 基础知识

引言

第4章 线性回归

技术附录

参考资料

3.6 总结

3.5 模型选择

3.4 误差剖析

3.3 验证误差和交叉验证误差

3.2 训练误差和测试误差

3.1 模型评估

引言

第3章 机器学习怎么学——模型评估选择

技术附录

参考资料

2.4 总结

2.3 结论应用

2.2 核心推导

2.1 基础知识

引言

第2章 机器学习可行吗——计算学习理论

参考资料

1.4 总结

1.3 性能度量

1.2 机器学习类别

1.1 数据

引言

第1章 机器学习是什么——机器学习定义

本书阅读说明

前言

人物简介

版权信息

封面

封面

版权信息

人物简介

前言

本书阅读说明

第1章 机器学习是什么——机器学习定义

引言

1.1 数据

1.2 机器学习类别

1.3 性能度量

1.4 总结

参考资料

第2章 机器学习可行吗——计算学习理论

引言

2.1 基础知识

2.2 核心推导

2.3 结论应用

2.4 总结

参考资料

技术附录

第3章 机器学习怎么学——模型评估选择

引言

3.1 模型评估

3.2 训练误差和测试误差

3.3 验证误差和交叉验证误差

3.4 误差剖析

3.5 模型选择

3.6 总结

参考资料

技术附录

第4章 线性回归

引言

4.1 基础知识

4.2 模型介绍

4.2.3 特征缩放

4.3 总结

参考资料

第5章 对率回归

引言

5.1 基础内容

5.2 模型介绍

5.3 总结

参考资料

第6章 正则化回归

引言

6.1 基础知识

6.2 模型介绍

6.3 总结

参考资料

第7章 支持向量机

引言

7.1 基础知识

7.2 模型介绍

7.3 总结

参考资料

技术附录

第8章 朴素贝叶斯

引言

8.1 基础知识

8.2 模型介绍

8.3 总结

参考资料

技术附录

第9章 决策树

引言

9.1 基础知识

9.2 模型介绍

9.3 总结

参考资料

第10章 人工神经网络

引言

10.1 基本知识

10.2 模型应用

第11章 正向/反向传播

引言

11.1 基础知识

11.2 算法介绍

11.3 总结

参考资料

技术附录

第12章 集成学习

引言

12.1 结合假设

12.2 装袋法

12.3 提升法

12.4 集成方式

12.5 总结

参考资料

第13章 随机森林和提升树

引言

13.1 基础知识

13.2 模型介绍

13.3 总结

参考资料

第14章 极度梯度提升

引言

14.1 基础知识

14.2 模型介绍

14.3 总结

参考资料

第15章 本书总结

15.1 正交策略

15.2 单值评估指标

15.3 偏差和方差

结语