Python机器学习 数据建模与分析
全新正版 极速发货
￥ 53.8 5.4折 ￥ 99 全新
库存8件
作者薛薇 等
出版社机械工业出版社
ISBN9787111674900
出版时间2021-03
装帧平装
开本16开
定价99元
货号1202323923
上书时间2024-12-03
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
薛薇，博士，中国人民大学应用统计研究中心专职研究员，中国人民大学统计学院副教授。主要开设课程：机器学习，计量经济学，统计软件，统计学。研究方向：机器学习与深度学习算法研究。基于顾客消费行为大数据的客户终身价值统计建模，以及营销与品牌大数据的机器学习算法应用。
目录
前言
章 机器学习概述 1
1.1 机器学习的发展：人工智能中的机器学习 1
1.1.1 符号主义人工智能 1
1.1.2 基于机器学习的人工智能 2
1.2 机器学习的核心：数据和数据建模 4
1.2.1 机器学习的学习对象：数据集 4
1.2.2 机器学习的任务：数据建模 6
1.3 机器学习的典型应用 11
1.3.1 机器学习的典型行业应用 11
1.3.2 机器学习在客户细分中的应用 12
1.3.3 机器学习在客户流失分析中的应用 13
1.3.4 机器学习在营销响应分析中的应用 14
1.3.5 机器学习在交叉销售中的应用 15
1.3.6 机器学习在欺诈甄别中的应用 16
【本章总结】 16
【本章习题】 17
第2章 Python机器学习基础 18
2.1 Python：机器学习的首选工具 18
2.2 Python的集成开发环境：Anaconda 19
2.2.1 Anaconda的简介 19
2.2.2 Anaconda Prompt的使用 20
2.2.3 Spyder的使用 22
2.2.4 Jupyter Notebook的使用 23
2.3 Python第三方包的引用 24
2.4 NumPy使用示例 24
2.4.1 NumPy数组的创建和访问 25
2.4.2 NumPy的计算功能 26
2.5 Pandas使用示例 29
2.5.1 Pandas的序列和索引 29
2.5.2 Pandas的数据框 30
2.5.3 Pandas的数据加工处理 31
2.6 NumPy和Pandas的综合应用：空气质量监测数据的预处理和基本分析 32
2.6.1 空气质量监测数据的预处理 32
2.6.2 空气质量监测数据的基本分析 34
2.7 Matplotlib的综合应用：空气质量监测数据的图形化展示 36
2.7.1 AQI的时序变化特点 37
2.7.2 AQI的分布特征及相关性分析 38
2.7.3 优化空气质量状况的统计图形 40
【本章总结】 41
【本章相关函数】 41
【本章习题】 47
第3章 数据预测与预测建模 49
3.1 数据预测的基本概念 49
3.2 预测建模 50
3.2.1 什么是预测模型 50
3.2.2 预测模型的几何理解 53
3.2.3 预测模型参数估计的基本策略 56
3.3 预测模型的评价 59
3.3.1 模型误差的评价指标 60
3.3.2 模型的图形化评价工具 62
3.3.3 泛化误差的估计方法 64
3.3.4 数据集的划分策略 67
3.4 预测模型的选择问题 69
3.4.1 模型选择的基本原则 69
3.4.2 模型过拟合 69
3.4.3 预测模型的偏差和方差 71
3.5 Python建模实现 73
3.5.1 ROC和P-R曲线图的实现 74
3.5.2 模型复杂度与误差的模拟研究 75
3.5.3 数据集划分和测试误差估计的实现 79
3.5.4 模型过拟合以及偏差与方差的模拟研究 82
3.6 Python实践案例 86
3.6.1 实践案例1：PM2.5浓度的回归预测 86
3.6.2 实践案例2：空气污染的分类预测 87
【本章总结】 91
【本章相关函数】 91
【本章习题】 91
……
第4章 数据预测建模：贝叶斯分类器 93
4.1 贝叶斯概率和贝叶斯法则 93
4.2 贝叶斯和朴素贝叶斯分类器 94
4.3 贝叶斯分类器的分类边界 99
4.4 Python建模实现 100
4.5 Python实践案例 103
【本章总结】 110
【本章相关函数】 111
【本章习题】 111
第5章 数据预测建模：近邻分析 112
5.1 近邻分析：K-近邻法 112
5.2 基于观测相似性的加权K-近邻法 117
5.3 K-近邻法的适用性 120
5.4 Python建模实现 122
5.5 Python实践案例 125
【本章总结】 129
【本章相关函数】 129
【本章习题】 130
第6章 数据预测建模：决策树 131
6.1 决策树概述 131
6.2 CART的生长 139
6.3 CART的后剪枝 141
6.4 Python建模实现 143
6.5 Python实践案例 147
【本章总结】 154
【本章相关函数】 155
【本章习题】 155
第7章 数据预测建模：集成学习 156
7.1 集成学习概述 157
7.2 基于重抽样自举法的集成学习 158
7.3 从弱模型到强模型的构建 163
7.4 梯度提升树 174
7.5 XGBoost算法 181
7.6 Python建模实现 185
7.7 Python实践案例 191
【本章总结】 197
【本章相关函数】 197
【本章习题】 198
第8章 数据预测建模：人工神经网络 200
8.1 人工神经网络的基本概念 201
8.2 感知机网络 203
8.3 多层感知机及B-P反向传播算法 213
8.4 Python建模实现 220
8.5 Python实践案例 223
【本章总结】 227
【本章相关函数】 227
【本章习题】 227
第9章 数据预测建模：支持向量机 229
9.1 支持向量分类概述 229
9.2 完全线性可分下的支持向量分类 233
9.3 广义线性可分下的支持向量分类 238
9.4 线性不可分下的支持向量分类 242
9.5 支持向量回归 247
9.6 Python建模实现 252
9.7 Python实践案例 258
【本章总结】 266
【本章相关函数】 266
【本章习题】 266
0章 特征选择：过滤、包裹和嵌入策略 267
10.1 特征选择概述 267
10.2 过滤式策略下的特征选择 268
10.3 包裹式策略下的特征选择 278
10.4 嵌入式策略下的特征选择 281
10.5 Python建模实现 288
10.6 Python实践案例 290
【本章总结】 298
【本章相关函数】 298
【本章习题】 299
1章 特征提取：空间变换策略 300
11.1 特征提取概述 300
11.2 主成分分析 301
11.3 矩阵的奇异值分解 307
11.4 核主成分分析 309
11.5 因子分析 315
11.6 Python建模实现 323
11.7 Python实践案例 331
【本章总结】 334
【本章相关函数】 334
【本章习题】 335
2章 揭示数据内在结构：聚类分析 336
12.1 聚类分析概述 336
12.2 基于质心的聚类模型：K-均值聚类 343
12.3 基于连通性的聚类模型：系统聚类 346
12.4 基于高斯分布的聚类模型：EM聚类 351
12.5 Python建模实现 356
12.6 Python实践案例：各地区环境污染的特征的对比分析 367
【本章总结】 370
【本章相关函数】 370
【本章习题】 370
3章 揭示数据内在结构：特色聚类 371
13.1 基于密度的聚类：DBSCAN聚类 371
13.2 Mean-Shift聚类 375
13.3 BIRCH聚类 380
13.4 Python建模实现 387
13.5 Python实践案例：商品批发商的市场细分 394
【本章总结】 397
【本章相关函数】 398
【本章习题】 398
内容摘要
本书采用理论与实践相结合的方式，引导读者以Python为工具，以机器学习为方法，进行数据的建模与分析。本书共13章，对机器学习的原理部分进行了深入透彻的讲解，对机器学习算法部分均进行了Python实现。除前两章外，各章都给出了可实现的实践案例，并全彩呈现数据可视化图形。本书兼具知识的深度和广度，在理论上突出可读性，在实践上强调可操作性，实践案例具备较强代表性。随书提供全部案例的数据集、源代码、教学PPT、关键知识点，教学辅导视频，具备较高实用性。本书既可以作为数据分析从业人员的参考书，也可作为高等院校数据分析、机器学习等专业课程的教材。
主编推荐
系统介绍Python用于机器学习的数据分析、机器学习、数据可视化相关库。结合大量实例透彻讲解各类机器学习算法在数据建模、数据分析中的应用。全彩呈现数据建模可视化图像，提供配套数据集、源代码、PPT等学习资源。
相关推荐
-
大数据基础与Python机器学习
全新广州
￥ 44.19
-
Python机器学习 数据建模与分析
全新广州
￥ 53.79
-
Python机器学习：数据建模与分析
全新嘉兴
￥ 70.70
-
Python数据分析与机器学习
全新嘉兴
￥ 52.27
-
Python机器学习 数据建模与分析
全新广州
￥ 53.73
-
Python机器学习 数据建模与分析
全新广州
￥ 53.71
-
Python机器学习 数据建模与分析
全新广州
￥ 53.79
-
大数据基础与Python机器学习
全新广州
￥ 44.14
-
Python机器学习 数据建模与分析
全新天津
￥ 53.41
-
大数据基础与Python机器学习
全新广州
￥ 44.14
— 没有更多了 —
以下为对购买帮助不大的评价