机器学习实战：使用R、tidyverse和mlr

为更好地进行研究，我在攻读博士学位期间大量使用了统计建模，并选择了生命科学学术界广泛使用的R语言作为建模语言。R语言主要用于统计计算，因此它在构建线性模型方面的作用是无与伦比的。
我所要处理的数据问题的类型随着项目的进展也在发生着变化。数据量逐渐增加，并且每项实验的目标变得更加复杂和多样。因此，有更多的变量需要处理，诸如如何可视化数据中的模式等问题变得更加困难。此后，我发现相对于仅仅了解生物学本身而言，自己对数据预测更感兴趣。有时，数据中的复杂关系很难用传统的人工建模方法表示。另外，我想知道的只是数据中存在多少不同的种类。
我发现自己越来越倾向于使用机器学习技术来帮助自己实现目标。每遇到一个新问题，我都会在脑海中搜索有关统计和机器学习的相关技能。如果不具备相关技能，我就会做一些研究调查，了解其他人如何解决类似问题，然后尝试不同的方法，从中找出方案。如果我对一系列新技术产生了浓厚的兴趣，我就会阅读相关领域的专业书籍。但令我十分沮丧的是，这些书往往针对有统计学学位的专业人士。
当我逐步并痛苦地学习技能和知识时，另一件令人沮丧的事情是R语言中的机器学习技术分布于各种不同的程序包中。这些程序包是由不同的程序人员使用不同的语法和参数编写的，这意味着每次学习一种新技术时都要面临额外的困难。就这点而言，那种基于Python语言(我未曾学过的一门编程语言)编写的scikit-learn程序包让我羡慕不已，这种程序包为大量的机器学习技术提供了一个通用接口。
但是，在我发现了像caret和mlr这样的R语言包之后，我的学习突然变得容易了很多。与scikit-learn程序包一样，它们也为大量的机器学习技术提供了一个通用接口，这减轻了我每次想学习新技术时就需要学习另一个程序包的R函数的负担，并使我的机器学习项目变得更简洁。由于主要使用的是mlr程序包，我发现处理数据实际上是我工作中耗时和复杂的部分。在做了更多的研究之后，我在R语言中发现了tidyverse程序包，该程序包旨在使数据的处理、转换和可视化变得简单、合理且可复制。从那以后，我在所有的项目中都会使用来自tidyverse程序包的工具。
我撰写《机器学习实战：使用R、tidyverse和mlr》的主要原因在于人们对机器学习相关知识的需求十分巨大。虽然有大量资源可供刚刚崭露头角的数据科学家或任何希望通过训练计算机解决问题的人们使用，但是我一直在努力寻找既适合新手操作，又适合严谨教学和优质实践的资源。《机器学习实战：使用R、tidyverse和mlr》的初衷是想通过更少的代码实现更强大的功能。我希望通过这种方式能够让你的学习变得更加容易，并且我认为使用mlr和tidyverse程序包可以帮助我实现这一目的。

《机器学习实战使用R、tidyverse和mlr》将使用RStudio和非常棒的mlr程序包开启你的机器学习之旅。这本实用指南简化了理论,避免了不必要的复杂统计和数学知识,所有核心的机器学习技术都通过图形和易于掌握的示例进行清晰的解释。每一章的内容都十分引人入胜，你将掌握如何把新的算法付诸实践，以解决各种预测分析问题，包括泰坦尼克沉船事件中不同乘客的幸存概率、垃圾邮件过滤、毒酒事件调查等。

主要内容

使用tidyverse程序包处理和绘制数据

监督机器学习和非监督机器学习技术

分类、回归、降维和聚类算法 统计学基础

 Hefin I. Rhys是一位有着8年教授R语言、统计学和机器学习经验的生命科学家和细胞学家。他将自己的统计学/机器学习知识贡献给多项学术研究，并热衷于讲授统计学、机器学习和数据可视化方面的课程。 

第Ⅰ部分  简介
第1章  机器学习介绍   2
1.1  机器学习的概念   3
1.1.1  人工智能和机器学习   4
1.1.2  模型和算法的区别   5
1.2  机器学习算法的分类   7
1.2.1  监督、无监督和半监督机器学习算法的区别   7
1.2.2  分类、回归、降维和聚类算法   9
1.2.3  深度学习简介   11
1.3  关于机器学习道德影响的思考   12
1.4  使用R语言进行机器学习的原因   13
1.5  使用哪些数据集   13
1.6  从本书可以学到什么   13
1.7  本章小结   14
第2章  使用tidyverse整理、操作和绘制数据   15
2.1  tidyverse和整洁数据的概念   15
2.2  加载tidyverse   17
2.3  tibble程序包及其功能介绍   17
2.3.1  创建tibble   18
2.3.2  将现有数据框转换为tibble   18
2.3.3  数据框和tibble的区别   19
2.4  dplyr程序包及其功能介绍   21
2.4.1  使用dplyr操作CO2数据集   21
2.4.2  链接dplyr函数   25
2.5  ggplot2程序包及其功能介绍   26
2.6  tidyr程序包及其功能介绍   29
2.7  purrr程序包及其功能介绍   32
2.7.1  使用map()函数替换 for循环   33
2.7.2  返回原子向量而非列表   34
2.7.3  在map()系列函数中使用匿名函数   35
2.7.4  使用walk()产生函数的副作用   35
2.7.5  同时遍历多个列表   37
2.8  本章小结   38
2.9  练习题答案   38
第Ⅱ部分  分类算法
第3章  基于相似性的k近邻分类   42
3.1  k近邻算法的概念   42
3.1.1  如何学习k近邻算法   42
3.1.2  如果票数相等，会出现什么情况   44
3.2  建立个kNN模型   45
3.2.1  加载和研究糖尿病数据集   45
3.2.2  运用mlr训练个kNN模型   47
3.2.3  mlr想要实现的目标：定义任务   47
3.2.4  告诉mlr使用哪种算法：定义学习器   48
3.2.5  综合使用任务和学习器：训练模型   49
3.3  平衡模型误差的两个来源：偏差-方差权衡   51
3.4  运用交叉验证判断是否过拟合或欠拟合   52
3.5  交叉验证kNN模型   53
3.5.1  留出法交叉验证   53
3.5.2  k-折法交叉验证   55
3.5.3  留一法交叉验证   57
3.6  算法将要学习的内容以及它们必须知道的内容：参数和超参数   59
3.7  调节k值以改进模型   60
3.7.1  在交叉验证中调整超参数   61
3.7.2  使用模型进行预测   63
3.8  kNN算法的优缺点   64
3.9  本章小结   64
3.10  练习题答案   65
第4章  对数几率回归分类   67
4.1  什么是对数几率回归   67
4.1.1  对数几率回归是如何学习模型的   68
4.1.2  当有两个以上的类别时，该怎么办   73
4.2  建立个对数几率回归模型   74
4.2.1  加载和研究titanic数据集   75
4.2.2  充分利用数据：特征工程与特征选择   75
4.2.3  数据可视化   77
4.2.4  训练模型   80
4.2.5  处理缺失数据   80
4.2.6  训练模型(使用缺失值插补方法)   81
4.3  交叉验证对数几率回归模型   81
4.3.1  包含缺失值插补的交叉验证   81
4.3.2  准确率是重要的性能度量指标吗   82
4.4  理解模型：几率比   83
4.4.1  将模型参数转换为几率比   83
4.4.2  当一个单位的增长没有意义时如何理解   84
4.5  使用模型进行预测   84
4.6  对数几率回归算法的优缺点   84
4.7  本章小结   85
4.8  练习题答案   85
第5章  基于判别分析的分离方法   88
5.1  什么是判别分析   88
5.1.1  判别分析是如何学习的   90
5.1.2  如果有两个以上的类别，应如何处理   92
5.1.3  学习曲线而不是直线：QDA   93
5.1.4  LDA和QDA如何进行预测   93
5.2  构建线性和二次判别模型   95
5.2.1  加载和研究葡萄酒数据集   95
5.2.2  绘制数据图   96
5.2.3  训练模型   97
5.3  LDA和QDA算法的优缺点   100
5.4  本章小结   101
5.5  练习题答案   101
第6章  朴素贝叶斯和支持向量机分类算法   103
6.1  什么是朴素贝叶斯算法   104
6.1.1  使用朴素贝叶斯进行分类   105
6.1.2  计算分类和连续预测变量的类条件概率   106
6.2  建立个朴素贝叶斯模型   107
6.2.1  加载和研究HouseVotes84数据集   107
6.2.2  绘制数据图   108
6.2.3  训练模型   109
6.3  朴素贝叶斯算法的优缺点   110
6.4  什么是支持向量机(SVM)算法   110
6.4.1  线性可分SVM   111
6.4.2  如果类别不是完全可分的，怎么办   112
6.4.3  非线性可分的SVM   113
6.4.4  SVM算法的超参数   115
6.4.5  当存在多个类别时，怎么办   116
6.5  构建个SVM模型   117
6.5.1  加载和研究垃圾邮件数据集   118
6.5.2  调节超参数   119
6.5.3  训练模型   122
6.6  交叉验证SVM模型   123
6.7  SVM算法的优缺点   124
6.8  本章小结   124
6.9  练习题答案   125
第7章  决策树分类算法   127
7.1  什么是递归分区算法   127
7.1.1  使用基尼增益划分树   129
7.1.2  如何处理连续和多级分类预测变量   130
7.1.3  rpart算法的超参数   132
7.2  构建个决策树模型   133
7.3  加载和研究zoo数据集   134
7.4  训练决策树模型   134
7.5  交叉验证决策树模型   139
7.6  决策树算法的优缺点   140
7.7  本章小结   140
第8章  使用随机森林算法和boosting技术改进决策树   142
8.1  集成学习技术：bagging、boosting和stacking   142
8.1.1  利用采样数据训练模型：bagging   143
8.1.2  从前序模型的错误中进行学习：boosting   144
8.1.3  通过其他模型的预测进行学习：stacking   147
8.2  建立个随机森林模型   148
8.3  建立个XGBoost模型   150
8.4  随机森林和XGBoost算法的优缺点   155
8.5  在算法之间进行基准测试   155
8.6  本章小结   156
第Ⅲ部分  回归算法
第9章  线性回归   158
9.1  什么是线性回归   158
9.1.1  如何处理多个预测变量   160
9.1.2  如何处理分类预测变量   162
9.2  建立个线性回归模型   163
9.2.1  加载和研究臭氧数据集   164
9.2.2  插补缺失值   166
9.2.3  自动化特征选择   168
9.2.4  在交叉验证中包含插补和特征选择   174
9.2.5  理解模型   175
9.3  线性回归的优缺点   178
9.4  本章小结   178
9.5  练习题答案   179
第10章  广义加性模型的非线性回归   180
10.1  使用多项式项使线性回归非线性   180
10.2  更大的灵活性：样条曲线和广义加性模型   182
10.2.1  GAM如何学习平滑功能   183
10.2.2  GAM如何处理分类变量   184
10.3  建立个GAM   184
10.4  GAM的优缺点   188
10.5  本章小结   188
10.6  练习题答案   189
第11章  利用岭回归、LASSO回归和弹性网络控制过拟合   190
11.1  正则化的概念   190
11.2  岭回归的概念   191
11.3  L2范数的定义及其在岭回归中的应用   193
11.4  L1范数的定义及其在LASSO中的应用   195
11.5  弹性网络的定义   197
11.6  建立岭回归、LASSO和弹性网络模型   198
11.6.1  加载和研究Iowa数据集   199
11.6.2  训练岭回归模型   200
11.6.3  训练LASSO模型   205
11.6.4  训练弹性网络模型   208
11.7  对岭回归、LASSO、弹性网络和OLS进行基准测试并对比   210
11.8  岭回归、LASSO和弹性网络的优缺点   211
11.9  本章小结   212
11.10  练习题答案   212
第12章  使用kNN、随机森林和XGBoost进行回归   215
12.1  使用kNN算法预测连续变量   215
12.2  使用基于决策树的算法预测连续变量   217
12.3  建立个kNN回归模型   219
12.3.1  加载和研究燃料数据集   220
12.3.2  调节超参数k   224
12.4  建立个随机森林回归模型   226
12.5  建立个XGBoost回归模型   227
12.6  对kNN、随机森林和XGBoost模型的构建过程进行基准测试   229
12.7  kNN、随机森林和XGBoost算法的优缺点   230
12.8  本章小结   230
12.9  练习题答案   231
第Ⅳ部分  降维算法
第13章  化方差的主成分分析法   234
13.1  降维的目的   234
13.1.1  可视化高维数据   235
13.1.2  维数灾难的后果   235
13.1.3  共线性的后果   235
13.1.4  使用降维减轻维数灾难和共线性的影响   236
13.2  主成分分析的概念   236
13.3  构建个PCA模型   240
13.3.1  加载和研究钞票数据集   240
13.3.2  执行PA   242
13.3.3  绘制PCA结果   243
13.3.4  计算新数据的成分得分   246
13.4  PCA的优缺点   247
13.5  本章小结   247
13.6  练习题答案   247
第14章  化t-SNE和UMAP的相似性   249
14.1  t-SNE的含义   249
14.2  建立个t-SNE模型   253
14.2.1  执行t-SNE   253
14.2.2  绘制t-SNE结果   255
14.3  UMAP的含义   256
14.4  建立个UMAP模型   258
14.4.1  执行UMAP   258
14.4.2  绘制UMAP结果   260
14.4.3  计算新数据的UMAP嵌入   261
14.5  t-SNE和UMAP的优缺点   261
14.6  本章小结   261
14.7  练习题答案   262
第15章  自组织映射和局部线性嵌入   263
15.1  先决条件：节点网格和流形   263
15.2  自组织映射的概念   264
15.2.1  创建节点网格   265
15.2.2  随机分