集成学习入门与实战 原理、算法与应用
全新正版 极速发货
¥
41.87
6.0折
¥
69.8
全新
库存6件
作者(印)阿洛克·库马尔,(印)马扬克·贾因
出版社化学工业出版社
ISBN9787122401670
出版时间2022-02
装帧平装
开本32开
定价69.8元
货号1202647698
上书时间2024-07-11
商品详情
- 品相描述:全新
- 商品描述
-
目录
第1章为什么需要集成学习001
1.1混合训练数据003
1.2混合模型004
1.3混合组合008
1.4本章小结009
第2章混合训练数据011
2.1决策树013
2.2数据集采样018
2.2.1不替换采样(WOR)018
2.2.2替换采样(WR)019
2.3Bagging(装袋算法)021
2.3.1k重交叉验证024
2.3.2分层的k重交叉验证026
2.4本章小结028
第3章混合模型029
3.1投票集成030
3.2硬投票031
3.3均值法/软投票033
3.4超参数调试集成036
3.5水平投票集成038
3.6快照集成044
3.7本章小结046
第4章混合组合047
4.1Boosting(提升算法)048
4.1.1AdaBoost(自适应提升算法)049
4.1.2GradientBoosting(梯度提升算法)051
4.1.3XGBoost(特别梯度提升算法)053
4.2Stacking(堆叠算法)055
4.3本章小结058
第5章集成学习库059
5.1ML-集成学习060
5.1.1多层集成063
5.1.2集成模型的选择064
5.2通过Dask扩展XGBoost069
5.2.1Dask数组与数据结构071
5.2.2Dask-ML076
5.2.3扩展XGBoost079
5.2.4微软LightGBM082
5.2.5AdaNet088
5.3本章小结090
第6章实践指南092
6.1基于随机森林的特征选择093
6.2基于集成树的特征转换096
6.3构建随机森林分类器预处理程序103
6.4孤立森林进行异常点检测110
6.5使用Dask库进行集成学习处理114
6.5.1预处理115
6.5.2超参数搜索117
6.6本章小结121
致谢122
内容摘要
《集成学习入门与实战:原理、算法与应用》通过6章内容全面地解读了集成学习的基础知识、集成学习技术、集成学习库和实践应用。其中集成学习技术包括采样、Bagging、投票集成、Boosting、AdaBoost、梯度提升、XGBoost、Stacking、随机森林、决策树等,从混合训练数据到混合模型,再到混合组合,逻辑严谨、逐步讲解;同时也对ML-集成学习、Dask、LightGBM、AdaNet等集成学习库相关技术进行了详细解读;最后通过相关实践对集成学习进行综合性应用。本书配有逻辑框图、关键代码及代码分析,使读者在阅读中能够及时掌握算法含义和对应代码。
本书适合集成学习的初学者和机器学习方向的从业者和技术人员阅读学习,也适合开设机器学习等算法课程的高等院校师生使用。
— 没有更多了 —
以下为对购买帮助不大的评价