机器学习实战——基于PYTHON SKLEARN的解析

第1章 基础准备 1.1 机器学习 1.1.1 机器学习概述 1.1.2 机器学习任务 1.1.3 机器学习经验 1.1.4 机器学习性能 1.2 Python编程 1.2.1 Python 1.2.2 NumPy和SciPy 1.2.3 Matplotlib 1.2.4 Pandas 1.2.5 SKlearm 1.2.6 Yellowbrick 1.3 Python 环境配置 1.3.1 安装Anaconda 1.3.2 运行Jupyter Notebook 第2章 数据探索 2.1 数据读取和保存 2.1.1 TXT数据 2.1.2 CSV数据 2.1.3 XLS数据 2.1.4 SOL数据 2.1.5 NOSOL数据 2.2 数据特征分析 2.2.1 描述性统计 2.2.2 分布分析 2.2.3 对比分析 2.2.4 相关性分析 第3章 数据预处理 3.1 数据清洗 3.1.1 缺失值处理 3.1.2 异常值处理 3.1.3 数据一致性处理 3.2 数据变换 3.2.1 二元化 3.2.2 独热码 3.2.3 标准化 3.2.4 正则化 3.2.5 数据变换应用 3.3 数据降维 3.3.1 主成分分析 3.3.2 线性判别分析 3.3.3 多维缩放降维 3.3.4 流形学习 3.4 特征选取 3.4.1 过滤式特征选取 3.4.2 包裹式特征选取 3.4.3 嵌入式特征选取 3.5 数据降维与特征选取的差别 第4章 机器学习模型 4.1 线性模型 4.1.1 线性回归模型 4.1.2 逻辑回归模型 4.2 决策树 4.2.1 回归决策树 4.2.2 分类决策树 4.3 贝叶斯分类器 4.3.1 高斯贝叶斯分类器 4.3.2 多项式贝叶斯分类器 4.3.3 伯努利贝叶斯分类器 4.4 KNN 4.4.1 KNN分类 4.4.2 KNN回归 4.5 聚类 4.5.1 K均值聚类 4.5.2 密度聚类 4.5.3 层次聚类 4.5.4 高斯混合聚类 4.6 支持向量机 4.6.1 线性分类 4.6.2 非线性分类 4.6.3 线性回归 4.6.4 非线性回归 第5章 集成学习 5.1 常用的集成学习方法——AdaBoost 5.1.1 分类 5.1.2 回归 5.2 梯度提升树 5.2.1 GBDT算法的分类类——GradientBoostingClassifier 5.2.2 GBDT算法的回归类——GradientBoostingRegressor 5.3 随机森林 5.3.1 RandomForestClassifier模型 5.3.2 RandomForestRegressor模型 第6章 模型评估及持久化 6.1 损失函数 6.1.1 0-1损失 6.1.2 对数损失 6.2 数据切分 6.2.1 train-test-split()方法 6.2.2 KFold()方法 6.2.3 StratifiedKFold()方法 6.2.4 LeaveOneOut()方法 6.2.5 crossVal-score()方法 6.3 性能度量 6.4 参数优化 6.5 模型持久化 第7章 项目实践 7.1 工程应用场景 7.1.1 可行性研究阶段 7.1.2 设计阶段 7.1.3 施工阶段 7.1.4 监理监测 7.1.5 运营维护 7.2 边坡稳定性预测 7.2.1 数据探索 7.2.2 数据预处理 7.2.3 模型选择 7.2.4 模型评估 7.2.5 模型持久化 7.3 地质物探预测 7.3.1 数据探索 7.3.2 数据预处理 7.3.3 集成学习 7.3.4 模型评估 7.3.5 模型持久化 7.4 隧道岩爆分级预测 7.4.1 数据探索 7.4.2 数据预处理 7.4.3 集成学习 7.4.4 模型评估 7.4.5 模型持久化 7.5 混凝土强度预测 7.5.1 数据探索 7.5.2 数据预处理 7.5.3 模型选择 7.5.4 参数优化 7.5.5 模型持久化 7.6 膨胀土膨胀性等级分类 7.6.1 数据探索 7.6.2 数据预处理 7.6.3 分类簇数选择 7.6.4 模型评估 7.6.5 模型持久化