机器学习全解(R语言版)

1星价 ¥49.6 (7.1折)

2星价￥49.6 定价￥69.8

作者：黄天元

出版社：人民邮电出版社

本类榜单：计算机/网络

分类：计算机/网络 > 计算机理论

暂无评论

图文详情

ISBN：9787115641465
装帧：平装
册数：暂无
重量：暂无
开本：16开
页数：200
出版时间：2024-07-01
条形码：9787115641465 ; 978-7-115-64146-5

本书特色

1.本书系统性地剖析了机器学习的内涵，帮助读者掌握机器学习的核心要义。书中案例的可操作性、可模仿性极好，书中的代码示例易学易上手。 2.本书基于R语言讲解，书中介绍了一系列tidyverse的包，通过流行的R包帮助读者高效率实现机器学习，掌握典型的机器学习算法。基于R语言讲解机器学习的书并不少见，但是这本书非常值得推荐！原因有三：**，整本书的内容框架非常好，围绕项目实操讲解理论与实践；第二，可操作性、可模仿性极好，书中的代码示例易学易上手；第三，作者理论功底扎实，将特征工程、重采样、集成学习等前沿方法囊括其中。 ——王汉生北京大学光华管理学院教授，“狗熊会”(数据科学在线学习平台)创始人这是一本实用的机器学习入门图书，它以 R 语言为工具，系统介绍了机器学习的基本概念、算法和模型应用。本书案例丰富、代码清晰易懂，适合对机器学习感兴趣的初学者和希望提高数据分析技能的专业人士阅读参考。 ——范向伟和鲸科技 CEO 本书通过R语言及其流行的扩展包深入浅出地展现了机器学习的基础知识和实践方法，还通过丰富的示例展现了机器学习的重要主题。推荐数据科学和科研领域的相关读者阅读本书，借此快速了解R语言机器学习的基本方法和框架。 ——任坤微软MVP，R开源社区的积极贡献者，《R语言编程指南》作者本书基于 R 语言讲解机器学习，极大地简化了建模过程，降低了统计学专业知识的门槛。同时将机器学习中的模型选择、参数调优、模型可解释性、集成学习等重点结合丰富的示例及相应的代码进行生动的讲解，为初学者快速入门机器学习提供了指引。 ——张丹微软MVP，《R的极客理想》系列图书作者本书在内容编排上不落窠臼，围绕机器学习任务流程进行了深入浅出的归纳演绎，并借助实践案例展示了当下流行的R语言机器学习框架，非常适合对机器学习及R语言编程感兴趣的读者阅读参考！ ——张敬信哈尔滨商业大学副教授，R 语言编程》作者在人工智能时代，机器学习已成为各领域科学研究人员和数据分析从业者的核心竞争力。黄天元博士的这本作品恰逢其时。本书全面介绍了机器学习的基本知识、R 语言编程的相关技巧、机器学习的主流 R 语言工具包，并辅以多个实际案例，兼顾理论讲解和实践应用，非常值得一读！ ——包寒吴霜华东师范大学心理与认知科学学院助理教授，R包资深开发者在众多厚重的学术著作中，这本书以其独特的轻薄姿态脱颖而出。黄博士以其精湛的笔触，将机器学习的深邃理论与R语言的实用操作巧妙融合，处处都体现了他的教学智慧和对知识的精准把握。这本书不仅适合初学者快速上手，也适合希望高效掌握机器学习精髓的读者阅读。作为黄天元博士的导师，我为拥有这样杰出的学生而感到骄傲！ ——赵斌复旦大学生命科学学院教授本书为初学者和进阶者提供了深入了解机器学习的途径。作者以清晰易懂的方式介绍了机器学习的基本概念和常见算法，并结合R语言展开实践，帮助读者无缝衔接理论与实践。这不仅是一本学习机器学习的实用指南，也是一本掌握R语言数据分析技能的宝典。 ——赖江山南京林业大学教授，数量生态学研究中心主任本书融合了作者对 R 语言的深厚学习经验，通过渐进式的学习路径，由浅入深地引导读者掌握R语言这一强大工具。本书结合学用相长的理念，通过精心设计的章节，辅以丰富的案例、数据和代码示例，使读者在实践中逐步领悟R语言编程和实现机器学习的方法，特此推荐给大家！ ——付慧真浙江大学信息资源管理系副教授

内容简介

机器学习是近年来非常热门的学科，R语言经过一段时间的发展也逐渐成为主流的编程语言之一。本书结合机器学习和R语言，面向机器学习实践，不仅介绍了机器学习和R语言的基础知识，而且介绍了如何借助不同的算法来进行模型分析，以及这些算法在R语言中的实现方式。通过阅读本书，读者可以快速了解机器学习和R语言的推荐知识，掌握机器学习的实现流程。本书适合程序员、数据分析人员、对算法感兴趣的读者、机器学习领域的从业人员及科研人员阅读。

第 1章机器学习概论 1 1.1 机器学习的概念 1 1.2 机器学习的意义 2 1.3 机器学习的种类 3 1.4 机器学习基本流程 3 第 2章 R语言综合基础 5 2.1 简易环境配置 5 2.2 编程保留符号 9 2.3 基本数据类型 9 2.3.1 数值型 10 2.3.2 逻辑型 10 2.3.3 字符型 11 2.3.4 因子型 11 2.3.5 类型判断与转换 12 2.4 常用数据结构 12 2.4.1 向量 12 2.4.2 矩阵 13 2.4.3 列表 14 2.4.4 数据框 14 2.5 程序流程控制 15 2.5.1 选择结构 15 2.5.2 循环结构 16 2.6 函数使用技巧 18 第3章高效数据操作 19 3.1 R数据操作包简介 19 3.2 数据读写 19 3.3 管道操作符 20 3.4 基本操作 21 3.4.1 筛选列 22 3.4.2 筛选行 28 3.4.3 更新 34 3.4.4 排序 36 3.4.5 汇总 40 3.4.6 分组计算 41 3.4.7 列的重命名 44 3.5 多表连接 45 3.6 长宽转换 50 3.7 集合运算 53 3.8 缺失值处理 55 3.9 列表列的运用 56 第4章 tidyverse快速入门 59 4.1 数据读取(readr) 59 4.2 数据整理 61 4.2.1 批处理(purrr) 61 4.2.2 因子操作(forcats) 64 4.2.3 时间操作(lubridate) 67 4.2.4 字符串操作(stringr) 68 4.2.5 数据框清洗(tibble/dplyr/tidyr) 71 4.3 数据可视化(ggplot2) 79 第5章探索性数据分析 82 5.1 基本概念介绍 82 5.1.1 平均值 82 5.1.2 标准差 83 5.1.3 极值 83 5.1.4 中位数 84 5.1.5 相关系数 84 5.2 探索工具实践 86 5.2.1 vtree 86 5.2.2 skimr 88 5.2.3 naniar 90 第6章特征工程 93 6.1 特征修饰 93 6.1.1 归一化 93 6.1.2 数据分箱 94 6.1.3 缺失值填补 101 6.2 特征构造 107 6.2.1 构造交互项 107 6.2.2 基于降维技术的特征构造 108 6.2.3 One-Hot编码 110 6.3 特征筛选 111 6.3.1 过滤法 111 6.3.2 封装法 113 6.3.3 嵌入法 114 第7章重采样方法 116 7.1 针对模型评估的重采样 116 7.1.1 交叉验证 116 7.1.2 自举法 117 7.2 针对类失衡的重采样 117 第8章模型表现的衡量 119 8.1 回归模型的表现衡量 119 8.2 分类模型的表现衡量 120 第9章模型选择 122 9.1 机器学习模型概览 122 9.1.1 线性回归 122 9.1.2 K近邻算法(KNN) 123 9.1.3 朴素贝叶斯方法 123 9.1.4 判别分析 124 9.1.5 支持向量机 124 9.1.6 人工神经网络 125 9.1.7 决策树 125 9.1.8 随机森林 126 9.1.9 梯度下降法 127 9.2 mlr3工作流简介 127 9.2.1 环境配置 127 9.2.2 任务定义 128 9.2.3 学习器选择 130 9.2.4 训练与预测 131 9.3 基于mlr3的模型筛选 134 第 10章参数调节 136 10.1 指定终止搜索条件 136 10.2 设置指定参数组合 138 10.3 范围内网格搜索 139 10.4 范围内随机搜索 140 第 11章模型分析 142 11.1 变量重要性评估 142 11.2 变量影响作用分析 146 11.3 基于个案的可加性归因方法 149 第 12章集成学习 152 12.1 集成学习的三种策略 152 12.1.1 装袋法简介 152 12.1.2 提升法简介 152 12.1.3 堆叠法简介 153 12.2 基于caret与caretEnsemble框架的集成学习实现 153 12.2.1 环境部署 153 12.2.2 数据准备 153 12.2.3 装袋法 154 12.2.4 提升法 155 12.2.5 堆叠 156 第 13章实践案例一：基于caret包对泰坦尼克号乘客存活率进行二分类预测 161 13.1 工具简介 161 13.2 问题背景 162 13.3 数据审视 162 13.4 特征工程 163 13.5 数据划分 164 13.6 模型训练 165 13.7 模型的预测与评估 165 13.8 超参数调节 166 第 14章实践案例二：基于mlr框架对波士顿房价进行回归预测 169 14.1 工具简介 169 14.2 问题背景 169 14.3 数据审视与预处理 170 14.4 任务定义 174 14.5 建模与调参 174 14.6 模型表现比较 181 14.7 进一步的参数调节 183 14.8 模型解释 184 第 15章实践案例三：基于mlr3框架对皮马印第安人糖尿病数据集进行特征筛选 187 15.1 工具简介 187 15.2 问题背景 187 15.3 去除冗余特征 188 15.4 特征重要性排序 190 15.5 利用封装法对特征进行筛选 191 第 16章实践案例四：基于tidymodels框架对鸢尾花进行多分类预测 193 16.1 工具简介 193 16.2 问题背景 193 16.3 数据集划分 194 16.4 数据预处理 195 16.5 指定重采样方法 196 16.6 模型定义与调参 197 16.7 观察模型在测试集的表现 199

展开全部