机器学习与R语言（原书第3版）（正版丶无笔记\有防伪标识\品相好）

图书标准信息

• 作者 [美]布雷特·兰茨（Brett Lantz）
• 出版社 机械工业出版社
• 出版时间 2021-06
• 版次 1
• ISBN 9787111684572
• 定价 99.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 字数 450千字

【内容简介】

本书共12章：第1章介绍机器学习的基本概念和理论，并介绍用于机器学习的R软件环境的准备；第2章介绍如何应用R来管理数据，进行数据的探索分析和数据可视化；第3～9章介绍典型的机器学习算法，包括k近邻分类算法、朴素贝叶斯算法、决策树和规则树、回归预测、黑盒算法——神经网络和支持向量机、关联分析、k均值聚类，并给出大量的实际案例和详细的分析步骤，例如乳腺癌的判断、垃圾短信的过滤、贷款违约的预测、毒蘑菇的判别、医疗费用的预测、建筑用混凝土强度的预测、光学字符的识别、超市购物篮关联分析以及市场细分等；第10章介绍模型性能评价的原理和方法；第11章给出提高模型性能的几种常用方法；第12章讨论用R进行机器学习时可能遇到的一些高级专题，如特殊形式的数据、大数据集的处理、并行计算和GPU计算等技术。

【目录】

译者序

前　言

第1章　机器学习简介1

1.1　机器学习的起源1

1.2　机器学习的使用与滥用2

1.2.1　机器学习的成功应用3

1.2.2　机器学习的限制4

1.2.3　机器学习的伦理方面5

1.3　机器如何学习7

1.3.1　数据存储8

1.3.2　抽象化8

1.3.3　一般化10

1.3.4　评估11

1.4　实践中的机器学习12

1.4.1　输入数据的类型13

1.4.2　机器学习算法的类型14

1.4.3　为输入数据匹配算法15

1.5　使用R进行机器学习16

1.5.1　安装R添加包17

1.5.2　载入和卸载R添加包18

1.5.3　安装RStudio18

1.6　总结19

第2章　管理和理解数据20

2.1　R数据结构20

2.1.1　向量20

2.1.2　因子22

2.1.3　列表23

2.1.4　数据框25

2.1.5　矩阵和数组27

2.2　用R管理数据28

2.2.1　保存、载入和移除R数据结构29

2.2.2　从CSV文件导入数据和将数据保存为CSV文件29

2.3　探索和理解数据31

2.3.1　探索数据的结构31

2.3.2　探索数值变量32

2.3.3　探索分类变量40

2.3.4　探索变量之间的关系41

2.4　总结44

第3章　懒惰学习——使用近邻分类46

3.1　理解近邻分类46

3.1.1　k近邻算法47

3.1.2　为什么k-NN算法是懒惰的52

3.2　例子—用k-NN算法诊断乳腺癌53

3.2.1　第1步—收集数据53

3.2.2　第2步—探索和准备数据54

3.2.3　第3步—基于数据训练模型57

3.2.4　第4步—评估模型的性能58

3.2.5　第5步—提高模型的性能59

3.3　总结61

第4章　概率学习——朴素贝叶斯分类62

4.1　理解朴素贝叶斯62

4.1.1　贝叶斯方法的基本概念63

4.1.2　朴素贝叶斯算法67

4.2　例子—基于贝叶斯算法的手机垃圾短信过滤72

4.2.1　第1步—收集数据72

4.2.2　第2步—探索和准备数据73

4.2.3　第3步—基于数据训练模型84

4.2.4　第4步—评估模型的性能85

4.2.5　第5步—提高模型的性能86

4.3　总结87

第5章　分而治之——应用决策树和规则进行分类88

5.1　理解决策树88

5.1.1　分而治之89

5.1.2　C5.0决策树算法92

5.2　例子—使用C5.0决策树识别高风险银行贷款95

5.2.1　第1步—收集数据95

5.2.2　第2步—探索和准备数据95

5.2.3　第3步—基于数据训练模型98

5.2.4　第4步—评估模型的性能100

5.2.5　第5步—提高模型的性能100

5.3　理解分类规则104

5.3.1　独立而治之104

5.3.2　1R算法106

5.3.3　RIPPER算法108

5.3.4　来自决策树的规则109

5.3.5　什么使决策树和规则贪婪110

5.4　例子—应用规则学习算法识别有毒的蘑菇111

5.4.1　第1步—收集数据111

5.4.2　第2步—探索和准备数据112

5.4.3　第3步—基于数据训练模型112

5.4.4　第4步—评估模型的性能114

5.4.5　第5步—提高模型的性能115

5.5　总结117

第6章　预测数值型数据——回归方法118

6.1　理解回归118

6.1.1　简单线性回归120

6.1.2　普通小二乘估计122

6.1.3　相关性123

6.1.4　多元线性回归124

6.2　例子—应用线性回归预测医疗费用127

6.2.1　第1步—收集数据128

6.2.2　第2步—探索和准备数据128

6.2.3　第3步—基于数据训练模型132

6.2.4　第4步—评估模型的性能134

6.2.5　第5步—提高模型的性能135

6.2.6　第6步—用回归模型进行预测138

6.3　理解回归树和模型树140

6.4　例子—用回归树和模型树估计葡萄酒的质量142

6.4.1　第1步—收集数据142

6.4.2　第2步—探索和准备数据143

6.4.3　第3步—基于数据训练模型144

6.4.4　第4步—评估模型的性能147

6.4.5　第5步—提高模型的性能149

6.5　总结151

第7章　黑箱方法—神经网络和支持向量机152

7.1　理解神经网络152

7.1.1　从生物神经元到人工神经元153

7.1.2　激活函数154

7.1.3　网络拓扑156

7.1.4　用后向传播训练神经网络159

7.2　例子—用人工神经网络对混凝土的强度进行建模160

7.2.1　第1步—收集数据161

7.2.2　第2步—探索和准备数据161

7.2.3　第3步—基于数据训练模型162

7.2.4　第4步—评估模型的性能164

7.2.5　第5步—提高模型的性能165

7.3　理解支持向量机169

7.3.1　用超平面分类169

7.3.2　对非线性空间使用核函数173

7.4　例子—用支持向量机进行光学字符识别175

7.4.1　第1步—收集数据175

7.4.2　第2步—探索和准备数据176

7.4.3　第3步—基于数据训练模型177

7.4.4　第4步—评估模型的性能179

7.4.5　第5步—提高模型的性能180

7.5　总结182

第8章　探寻模式——基于关联规则的购物篮分析183

8.1　理解关联规则183

8.1.1　用于关联规则学