Python机器学习原理与算法实现

图书标准信息

• 作者 杨维忠；张甜
• 出版社 清华大学出版社
• 出版时间 2023-02
• 版次 1
• ISBN 9787302626114
• 定价 118.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 字数 762.000千字

【内容简介】

数字化转型背景下，Python作为一门简单、易学、速度快、免费、开源的主流编程语言，广泛应用于大数据处理、人工智能、云计算等各个领域，是众多高等院校学生的必修基础课程，也是堪与Office办公软件应用比肩的职场人士的必备技能。同时随着数据存储、数据处理等大数据技术的快速进步，机器学习的各种算法在各行各业得以广泛应用，同样成为高校师生、职场人士迎接数字化浪潮、与时俱进提升专业技能的必修课程。本书将“Python课程学习”与“机器学习课程学习”有机结合，推动数字化人才的培养，提升人才的实践应用能力。 全书内容共17章。第1、2章介绍Python的入门知识和进阶知识；第3章介绍机器学习的概念及各种术语及评价标准；第4~10章介绍相对简单的监督式学习方法，包括线性回归算法、二元Logistic回归算法、多元Logistic回归算法、判别分析算法、朴素贝叶斯算法、高维数据惩罚回归算法、K近邻算法；第11、12章介绍主成分分析算法、聚类分析算法两种非监督式学习算法；第13~15章介绍相对复杂的监督式学习算法，包括决策树算法和随机森林算法、提升法两种集成学习算法；第16、17章介绍支持向量机算法、神经网络算法两种高级监督式学习算法。 本书可以作为经济学、管理学、统计学、金融学、社会学、医学、电子商务等相关专业的学生学习Python或机器学习应用的专业教材、参考书；也可以作为企事业单位数字化人才培养的教科书、工具书，还可以作为职场人士自学掌握Python机器学习应用、提升数据挖掘分析能力进而提高工作效能和改善绩效水平的工具书。

【作者简介】

杨维忠,山东大学经济学硕士，CPA，十年商业银行工作经历，历任运营、风控、营销、内控等多个职位，擅长商务建模，精通SPSS、Stata、EViews，编著有《SPSS数据挖掘与案例分析应用实践》 《Stata统计分析与实验指导》等近十本畅销书。                                                                                                  张甜,山东大学金融学博士生，金融风险领域研究专家，参与《地方金融运行动态监测及系统性风险预警研究》等多项重大项目，精通SPSS、Stata、R语言，编著有《SPSS统计分析与行业应用案例详解》 《Stata统计分析与行业应用案例详解》等畅销书。

【目录】

第1章  Python入门知识 1

1.1  Python简介与本书的教学理念 1

1.2  Python的下载与安装 2

1.2.1  下载Python（Anaconda平台） 2

1.2.2  安装Python（Anaconda平台） 4

1.2.3  Anaconda Prompt（Anaconda3） 6

1.2.4  Spyder（Anaconda3）的介绍及偏好设置 7

1.2.5  Spyder（Anaconda3）窗口介绍 10

1.3  Python注释、基本输入与输出 16

1.3.1  Python的注释 16

1.3.2  print函数 17

1.3.3  input函数 17

1.4  Python变量和数据类型 18

1.4.1  Python的保留字与标识符 18

1.4.2  Python的变量 19

1.4.3  Python的基本数据类型 20

1.4.4  Python的数据运算符 23

1.5  Python序列 25

1.5.1  索引（Indexing） 26

1.5.2  切片（Slicing） 26

1.5.3  相加（Adding） 27

1.5.4  相乘（Multiplying） 28

1.5.5  元素检查 28

1.5.6  与序列相关的内置函数 28

1.6  Python列表 30

1.6.1  列表的基本操作 30

1.6.2  列表元素的基本操作 32

1.6.3  列表推导式 33

1.7  Python元组 34

1.7.1  元组的基本操作 34

1.7.2  元组元素的基本操作 35

1.7.3  元组推导式 36

1.8  Python字典 37

1.8.1  字典的基本操作 37

1.8.2  字典元素的基本操作 39

1.8.3  字典推导式 40

1.9  Python集合 41

1.10  Python字符串 42

1.11  习题 46

第2章  Python进阶知识 48

2.1  Python流程控制语句 48

2.1.1  选择语句 48

2.1.2  循环语句 50

2.1.3  跳转语句 52

2.2  Python函数 53

2.2.1  函数的创建和调用 53

2.2.2  参数的相关概念与操作 53

2.2.3  变量的作用域 56

2.3  Python模块和包 58

2.3.1  模块的创建和导入 58

2.3.2  包的创建和使用 61

2.4  Python numpy模块中的数组 63

2.4.1  数组的创建 63

2.4.2  数组的计算 65

2.4.3  使用数组开展矩阵运算 66

2.4.4  数组的排序、索引和切片 66

2.5  Python pandas模块中的序列与数据框 67

2.5.1  序列的相关操作 67

2.5.2  数据框的相关操作 69

2.6  Python对象与类 74

2.6.1  类的定义 74

2.6.2  定义适用于类对象的方法 75

2.6.3  子类从父类继承 76

2.7  Python数据读取 76

2.7.1  读取文本文件（CSV或者TXT文件） 77

2.7.2  读取EXCEL数据 80

2.7.3  读取SPSS数据 81

2.7.4  读取Stata数据 82

2.8  Python数据检索 83

2.9  Python数据缺失值处理 84

2.9.1  查看数据集中的缺失值 84

2.9.2  填充数据集中的缺失值 86

2.9.3  删除数据集中的缺失值 89

2.10  Python数据重复值处理 91

2.10.1  查看数据集中的重复值 91

2.10.2  删除数据集中的重复值 92

2.11  Python数据行列处理 94

2.11.1  删除变量列、样本行 94

2.11.2  更改变量列名称、调整变量列顺序 95

2.11.3  改变列的数据格式 96

2.11.4  多列转换 96

2.11.5  数据百分比格式转换 97

2.12  习题 98

第3章  机器学习介绍 99

3.1  机器学习概述 99

3.2  机器学习术语 100

3.3  机器学习分类 101

3.4  误差、泛化、过拟合与欠拟合 102

3.5  偏差、方差与噪声 103

3.5.1  偏差 103

3.5.2  方差 103

3.5.3  噪声 103

3.5.4  误差与偏差、方差、噪声的关系 104

3.5.5  偏差与方差的权衡 104

3.6  性能量度 105

3.6.1  “回归问题监督式学习”的性能量度 105

3.6.2  “分类问题监督式学习”的性能量度 106

3.7  模型评估 111

3.7.1  验证集法 111

3.7.2  K折交叉验证 112

3.7.3  自助法 113

3.8  机器学习项目流程 114

3.9  习题 118

第4章  线性回归算法 119

4.1  线性回归算法的基本原理 119

4.1.1  线性回归算法的概念及数学解释 119

4.1.2  线性回归算法的优缺点 120

4.2  数据准备 121

4.2.1  导入分析所需要的模块和函数 121

4.2.2  数据读取及观察 122

4.3  描述性分析 123

4.4  图形绘制 125

4.4.1  直方图 125

4.4.2  密度图 127

4.4.3  箱图 128

4.4.4  小提琴图 128

4.4.5  正态QQ图 129

4.4.6  散点图和线图 130

4.4.7  热力图 131

4.4.8  回归拟合图 132

4.4.9  联合分布图 132

4.5  正态性检验 133

4.5.1  Shapiro-Wilk test检验 133

4.5.2  kstest检验 134

4.6  相关性分析 135

4.7  使用statsmodels进行线性回归 137

4.7.1  使用 smf 进行线性回归 137

4.7.2  多重共线性检验 139

4.7.3  解决多重共线性问题 140

4.7.4  绘制拟合回归平面 141

4.8  使用sklearn进行线性回归 142

4.8.1  使用验证集法进行模型拟合 142

4.8.2  更换随机数种子，使用验证集法进行模型拟合 143

4.8.3  使用10折交叉验证法进行模型拟合 143

4.8.4  使用10折重复10次交叉验证法进行模型拟合 144

4.8.5  使用留一交叉验证法进行模型拟合 144

4.9  习题 145

第5章  二元Logistic回归算法 147

5.1  二元Logistic回归算法的基本原理 147

5.2  数据准备 148

5.2.1  导入分析所需要的模块和函数 149

5.2.2  数据读取及观察 150

5.3  描述性分析 152

5.4  数据处理 154

5.4.1  区分分类特征和连续特征并进行处理 154

5.4.2  将样本全集分割为训练样本和测试样本 154

5.5  建立二元Logistic回归算法模型 155

5.5.1  使用statsmodels建立二元Logistic回归算法模型 155

5.5.2  使用sklearn建立二元Logistic回归算法模型 159

5.5.3  特征变量重要性水平分析 162

5.5.4  绘制ROC曲线，计算AUC值 165

5.5.5  计算科恩kappa得分 166

5.6  习题 167

第6章  多元Logistic回归算法 169

6.1  多元Logistic回归算法的基本原理 169

6.2  数据准备 170

6.2.1  导入分析所需要的模块和函数 170

6.2.2  数据读取及观察 171

6.3  描述性分析及图形绘制 172

6.3.1  描述性分析 172

6.3.2  绘制直方图 173

6.3.3  绘制箱图 173

6.4  数据处理 175

6.4.1  区分分类特征和连续特征并进行处理 175

6.4.2  将样本全集分割为训练样本和测试样本 175

6.5  建立多元Logistic回归算法模型 175

6.5.1  模型估计 176

6.5.2  模型性能分析 176

6.6  习题 179

第7章  判别分析算法 180

7.1  判别分析算法的基本原理 180

7.1.1  线性判别分析的基本原理 180

7.1.2  线性判别分析的算法过程 181

7.1.3  二次判别分析的基本原理 182

7.2  数据准备 183

7.2.1  导入分析所需要的模块和函数 184

7.2.2  线性判别分析降维优势展示 185

7.2.3  数据读取及观察 187

7.3  特征变量相关性分析 188

7.4  使用样本全集开展线性判别分析 189

7.4.1  模型估计及性能分析 189

7.4.2  运用两个特征变量绘制LDA决策边界图 192

7.5  使用分割样本开展线性判别分析 193

7.6  使用分割样本开展二次判别分析 195

7.6.1  模型估计 195

7.6.2  运用两个特征变量绘制QDA决策边界图 196

7.7  习题 197

第8章  朴素贝叶斯算法 198

8.1  朴素贝叶斯算法的基本原理 198

8.1.1  贝叶斯方法的基本原理 198

8.1.2  贝叶斯定理 199

8.1.3  朴素贝叶斯算法的基本原理 201

8.1.4  拉普拉斯修正 202

8.1.5  朴素贝叶斯算法分类及适用条件 202

8.2  数据准备 203

8.2.1  案例数据说明 203

8.2.2  导入分析所需要的模块和函数 205

8.3  高斯朴素贝叶斯算法示例 205

8.3.1  数据读取及观察 206

8.3.2  将样本全集分割为训练样本和测试样本 207

8.3.3  高斯朴素贝叶斯算法拟合 207

8.3.4  绘制ROC曲线 207

8.3.5  运用两个特征变量绘制高斯朴素贝叶斯决策边界图 208

8.4  多项式、补集、二项式朴素贝叶斯算法示例 208

8.4.1  数据读取及观察 209

8.4.2  将样本全集分割为训练样本和测试样本 209

8.4.3  多项式、补集、二项式朴素贝叶斯算法拟合 210

8.4.4  寻求二项式朴素贝叶斯算法拟合的最优参数 210

8.4.5  最优二项式朴素贝叶斯算法模型性能评价 213

8.5  习题 214

第9章  高维数据惩罚回归算法 216

9.1  高维数据惩罚回归算法简介 216

9.1.1  高维数据惩罚回归算法的基本原理 216

9.1.2  岭回归 217

9.1.3  Lasso回归 217

9.1.4  弹性网回归 218

9.1.5  惩罚回归算法的选择 218

9.2  数据准备 218

9.2.1  导入分析所需要的模块和函数 220

9.2.2  数据读取及观察 220

9.3  变量设置及数据处理 221

9.4  岭回归算法 222

9.4.1  使用默认惩罚系数构建岭回归模型 222

9.4.2  使用留一交叉验证法寻求最优惩罚系数构建岭回归模型 223

9.4.3  使用K折交叉验证法寻求最优惩罚系数构建岭回归模型 224

9.4.4  划分训练样本和测试样本下的最优岭回归模型 225

9.5  Lasso回归算法 226

9.5.1  使用随机选取惩罚系数构建岭回归模型 226

9.5.2  使用留一交叉验证法寻求最优惩罚系数构建Lasso回归模型 227

9.5.3  使用K折交叉验证法寻求最优惩罚系数构建Lasso回归模型 227

9.5.4  划分训练样本和测试样本下的最优Lasso回归模型 228

9.6  弹性网回归算法 229

9.6.1  使用随机选取惩罚系数构建弹性网回归模型 229

9.6.2  使用K折交叉验证法寻求最优惩罚系数构建弹性网回归模型 230

9.6.3  划分训练样本和测试样本下的最优弹性网回归模型 231

9.7  习题 231

第10章  K近邻算法 233

10.1  K近邻算法简介 233

10.1.1  K近邻算法的基本原理 233

10.1.2  K值的选择 235

10.1.3  K近邻算法的变种 235

10.2  数据准备 236

10.2.1  案例数据说明 236

10.2.2  导入分析所需要的模块和函数 236

10.3  回归问题K近邻算法示例 237

10.3.1  变量设置及数据处理 237

10.3.2  构建K近邻回归算法模型 237

10.3.3  如何选择最优的K值 238

10.3.4  最优模型拟合效果图形展示 239

10.4  分类问题K近邻算法示例 240

10.4.1  变量设置及数据处理 240

10.4.2  构建K近邻分类算法模型 241

10.4.3  如何选择最优的K值 242

10.4.4  最优模型拟合效果图形展示 243

10.4.5  绘制K近邻分类算法ROC曲线 243

10.4.6  运用两个特征变量绘制K近邻算法决策边界图 244

10.4.7  普通KNN算法、带权重KNN、指定半径KNN三种算法的对比 245

10.5  习题 246

第11章  主成分分析算法 248

11.1  主成分分析算法简介 248

11.1.1  主成分分析算法的基本原理 248

11.1.2  主成分分析算法的数学概念 249

11.1.3  主成分的特征值 250

11.1.4  样本的主成分得分 250

11.1.5  主成分载荷 251

11.2  数据准备 252

11.2.1  案例数据说明 252

11.2.2  导入分析所需要的模块和函数 253

11.2.3  变量设置及数据处理 253

11.2.4  特征变量相关性分析 254

11.3  主成分分析算法示例 256

11.3.1  主成分提取及特征值、方差贡献率计算 256

11.3.2  绘制碎石图观察各主成分特征值 256

11.3.3  绘制碎石图观察各主成分方差贡献率 257

11.3.4  绘制碎石图观察主成分累积方差贡献率 258

11.3.5  计算样本的主成分得分 258

11.3.6  绘制二维图形展示样本在前两个主成分上的得分 259

11.3.7  绘制三维图形展示样本在前三个主成分上的得分 260

11.3.8  输出特征向量矩阵，观察主成分载荷 260

11.4  习题 261

第12章  聚类分析算法 262

12.1  聚类分析算法简介 262

12.1.1  聚类分析算法的基本原理 262

12.1.2  划分聚类分析 263

12.1.3  层次聚类分析 263

12.1.4  样本距离的测度 265

12.2  数据准备 267

12.2.1  案例数据说明 268

12.2.2  导入分析所需要的模块和函数 268

12.2.3  变量设置及数据处理 269

12.2.4  特征变量相关性分析 270

12.3  划分聚类分析算法示例 271

12.3.1  使用K均值聚类分析方法对样本进行聚类（K=2） 271

12.3.2  使用K均值聚类分析方法对样本进行聚类（K=3） 271

12.3.3  使用K均值聚类分析方法对样本进行聚类（K=4） 272

12.4  层次聚类分析算法示例 273

12.4.1  最短联结法聚类分析 273

12.4.2  最长联结法聚类分析 274

12.4.3  平均联结法聚类分析 275

12.4.4  ward联结法聚类分析 277

12.4.5  重心联结法聚类分析 278

12.5  习题 279

第13章  决策树算法 280

13.1  决策树算法简介 280

13.1.1  决策树算法的概念与原理 280

13.1.2  特征变量选择及其临界值确定方法 282

13.1.3  决策树的剪枝 284

13.1.4  包含剪枝决策树的损失函数 284

13.1.5  变量重要性 285

13.2  数据准备 285

13.2.1  案例数据说明 285

13.2.2  导入分析所需要的模块和函数 287

13.3  分类问题决策树算法示例 287

13.3.1  变量设置及数据处理 287

13.3.2  未考虑成本-复杂度剪枝的决策树分类算法模型 288

13.3.3  考虑成本-复杂度剪枝的决策树分类算法模型 291

13.3.4  绘制图形观察叶节点总不纯度随alpha值的变化情况 291

13.3.5  绘制图形观察节点数和树的深度随alpha值的变化情况 292

13.3.6  绘制图形观察训练样本和测试样本的预测准确率随alpha值的变化情况 293

13.3.7  通过10折交叉验证法寻求最优alpha值 294

13.3.8  决策树特征变量重要性水平分析 295

13.3.9  绘制ROC曲线 296

13.3.10  运用两个特征变量绘制决策树算法决策边界图 297

13.4  回归问题决策树算法示例 298

13.4.1  变量设置及数据处理 298

13.4.2  未考虑成本-复杂度剪枝的决策树回归算法模型 299

13.4.3  考虑成本-复杂度剪枝的决策树回归算法模型 300

13.4.4  绘制图形观察叶节点总均方误差随alpha值的变化情况 300

13.4.5  绘制图形观察节点数和树的深度随alpha值的变化情况 301

13.4.6  绘制图形观察训练样本和测试样本的拟合优度随alpha值的变化情况 302

13.4.7  通过10折交叉验证法寻求最优alpha值并开展特征变量重要性水平分析 302

13.4.8  最优模型拟合效果图形展示 304

13.4.9  构建线性回归算法模型进行对比 305

13.5  习题 305

第14章  随机森林算法 307

14.1  随机森林算法的基本原理 307

14.1.1  集成学习的概念与分类 307

14.1.2  装袋法的概念与原理 308

14.1.3  随机森林算法的概念与原理 309

14.1.4  随机森林算法特征变量重要性量度 309

14.1.5  部分依赖图与个体条件期望图 309

14.2  数据准备 310

14.2.1  案例数据说明 310

14.2.2  导入分析所需要的模块和函数 310

14.3  分类问题随机森林算法示例 311

14.3.1  变量设置及数据处理 311

14.3.2  二元Logistic回归、单棵分类决策树算法观察 311

14.3.3  装袋法分类算法 312

14.3.4  随机森林分类算法 313

14.3.5  寻求max_features最优参数 313

14.3.6  寻求n_estimators最优参数 314

14.3.7  随机森林特征变量重要性水平分析 316

14.3.8  绘制部分依赖图与个体条件期望图 316

14.3.9  模型性能评价 318

14.3.10  绘制ROC曲线 319

14.3.11  运用两个特征变量绘制随机森林算法决策边界图 320

14.4  回归问题随机森林算法示例 320

14.4.1  变量设置及数据处理 320

14.4.2  线性回归、单棵回归决策树算法观察 321

14.4.3  装袋法回归算法 321

14.4.4  随机森林回归算法 322

14.4.5  寻求max_features最优参数 322

14.4.6  寻求n_estimators最优参数 323

14.4.7  随机森林特征变量重要性水平分析 325

14.4.8  绘制部分依赖图与个体条件期望图 325

14.4.9  最优模型拟合效果图形展示 326

14.5  习题 327

第15章  提升法 329

15.1  提升法的基本原理 329

15.1.1  提升法的概念与原理 329

15.1.2  AdaBoost（自适应提升法） 330

15.1.3  梯度提升法（Gradient Boosting Machine） 331

15.1.4  回归问题损失函数 332

15.1.5  分类问题损失函数 336

15.1.6  随机梯度提升法 337

15.1.7  XGBoost算法 338

15.2  数据准备 338

15.2.1  案例数据说明 338

15.2.2  导入分析所需要的模块和函数 340

15.3  回归提升法示例 340

15.3.1  变量设置及数据处理 340

15.3.2  线性回归算法观察 341

15.3.3  回归提升法（默认参数） 341

15.3.4  使用随机搜索寻求最优参数 341

15.3.5  绘制图形观察模型均方误差随弱学习器数量变化的情况 342

15.3.6  绘制图形观察模型拟合优度随弱学习器数量变化的情况 343

15.3.7  回归问题提升法特征变量重要性水平分析 344

15.3.8  绘制部分依赖图与个体条件期望图 345

15.3.9  最优模型拟合效果图形展示 346

15.3.10  XGBoost回归提升法 347

15.4  二分类提升法示例 349

15.4.1  变量设置及数据处理 349

15.4.2   AdaBoost算法 349

15.4.3  二分类提升法（默认参数） 349

15.4.4  使用随机搜索寻求最优参数 350

15.4.5  二分类问题提升法特征变量重要性水平分析 350

15.4.6  绘制部分依赖图与个体条件期望图 351

15.4.7  模型性能评价 352

15.4.8  绘制ROC曲线 354

15.4.9  运用两个特征变量绘制二分类提升法决策边界图 354

15.4.10  XGBoost二分类提升法 355

15.5  多分类提升法示例 356

15.5.1  变量设置及数据处理 356

15.5.2  多元Logistic回归算法观察 357

15.5.3  多分类提升法（默认参数） 357

15.5.4  使用随机搜索寻求最优参数 357

15.5.5  多分类问题提升法特征变量重要性水平分析 358

15.5.6  绘制部分依赖图与个体条件期望图 359

15.5.7  模型性能评价 360

15.5.8  XGBoost多分类提升法 362

15.6  习题 362

第16章  支持向量机算法 364

16.1  支持向量机算法的基本原理 364

16.1.1  线性可分 364

16.1.2  硬间隔分类器的概念与原理解释 365

16.1.3  硬间隔分类器的求解步骤 367

16.1.4  软间隔分类器的概念与原理解释 368

16.1.5  软间隔分类器的求解步骤 369

16.1.6  核函数 370

16.1.7  多分类问题支持向量机 372

16.1.8  支持向量回归 373

16.2  数据准备 375

16.2.1  案例数据说明 375

16.2.2  导入分析所需要的模块和函数 375

16.3  回归支持向量机算法示例 376

16.3.1  变量设置及数据处理 376

16.3.2  回归支持向量机算法（默认参数） 376

16.3.3  通过10折交叉验证寻求最优参数 377

16.3.4  最优模型拟合效果图形展示 378

16.4  二分类支持向量机算法示例 379

16.4.1  变量设置及数据处理 379

16.4.2  二分类支持向量机算法（默认参数） 379

16.4.3  通过10折交叉验证寻求最优参数 380

16.4.4  模型性能评价 381

16.4.5  绘制ROC曲线 382

16.4.6  运用两个特征变量绘制二分类支持向量机算法决策边界图 383

16.5  多分类支持向量机算法示例 386

16.5.1  变量设置及数据处理 386

16.5.2  多分类支持向量机算法（一对一） 387

16.5.3  多分类支持向量机算法（默认参数） 388

16.5.4  通过10折交叉验证寻求最优参数 389

16.5.5  模型性能评价 390

16.6  习题 391

第17章  神经网络算法 393

17.1  神经网络算法的基本原理 393

17.1.1  神经网络算法的基本思想 393

17.1.2  感知机 395

17.1.3  多层感知机 398

17.1.4  神经元激活函数 400

17.1.5  误差反向传播算法（BP算法） 405

17.1.6  万能近似定理及多隐藏层优势 408

17.1.7  BP算法过拟合问题的解决 408

17.2  数据准备 410

17.2.1  案例数据说明 410

17.2.2  导入分析所需要的模块和函数 411

17.3  回归神经网络算法示例 411

17.3.1  变量设置及数据处理 411

17.3.2  单隐藏层的多层感知机算法 412

17.3.3  神经网络特征变量重要性水平分析 413

17.3.4  绘制部分依赖图与个体条件期望图 414

17.3.5  拟合优度随神经元个数变化的可视化展示 415

17.3.6  通过K折交叉验证寻求单隐藏层最优神经元个数 416

17.3.7  双隐藏层的多层感知机算法 417

17.3.8  最优模型拟合效果图形展示 417

17.4  二分类神经网络算法示例 418

17.4.1  变量设置及数据处理 418

17.4.2  单隐藏层二分类问题神经网络算法 419

17.4.3  双隐藏层二分类问题神经网络算法 420

17.4.4  早停策略减少过拟合问题 420

17.4.5  正则化（权重衰减）策略减少过拟合问题 420

17.4.6  模型性能评价 421

17.4.7  绘制ROC曲线 422

17.4.8  运用两个特征变量绘制二分类神经网络算法决策边界图 423

17.5  多分类神经网络算法示例 423

17.5.1  变量设置及数据处理 424

17.5.2  单隐藏层多分类问题神经网络算法 424

17.5.3  双隐藏层多分类问题神经网络算法 424

17.5.4  模型性能评价 425

17.5.5  运用两个特征变量绘制多分类神经网络算法决策边界图 426

17.6  习题 427