思维导图备注

机器学习算法的数学解析与Python实现
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

11.4 集成学习方法的使用场景

浏览 3 扫码
  • 小字体
  • 中字体
  • 大字体
2022-02-28 17:15:35
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 前言
  • 第1章 机器学习概述
    • 1.1 什么是机器学习
    • 1.2 机器学习的几个需求层次
    • 1.3 机器学习的基本原理
    • 1.4 机器学习的基本概念
      • 1.4.2 机器学习的基本模式
      • 1.4.3 优化方法
    • 1.5 机器学习问题分类
    • 1.6 常用的机器学习算法
    • 1.7 机器学习算法的性能衡量指标
    • 1.8 数据对算法结果的影响
  • 第2章 机器学习所需的环境
    • 2.1 常用环境
    • 2.2 Python简介
      • 2.2.1 Python的安装
      • 2.2.2 Python的基本用法
    • 2.3 Numpy简介
      • 2.3.1 Numpy的安装
    • 2.4 Scikit-Learn简介
      • 2.4.1 Scikit-Learn的安装
      • 2.4.2 Scikit-Learn的基本用法
    • 2.5 Pandas简介
      • 2.5.1 Pandas的安装
      • 2.5.2 Pandas的基本用法
  • 第3章 线性回归算法
    • 3.1 线性回归：“钢铁直男”解决回归问题的正确方法
      • 3.1.1 用于预测未来的回归问题
      • 3.1.2 怎样预测未来
      • 3.1.3 线性方程的“直男”本性
      • 3.1.4 最简单的回归问题——线性回归问题
    • 3.2 线性回归的算法原理
      • 3.2.2 线性回归算法的数学解析
      • 3.2.3 线性回归算法的具体步骤
    • 3.3 在Python中使用线性回归算法
    • 3.4 线性回归算法的使用场景
  • 第4章 Logistic回归分类算法
    • 4.1 Logistic回归：换上“S型曲线马甲”的线性回归
      • 4.1.1 分类问题：选择困难症患者的自我救赎
      • 4.1.2 Logistic函数介绍
      • 4.1.3 此回归非彼回归：“LR”辨析
    • 4.2 Logistic回归的算法原理
      • 4.2.2 Logistic回归算法的数学解析
      • 4.2.3 Logistic回归算法的具体步骤
    • 4.3 在Python中使用Logistic回归算法
    • 4.4 Logistic回归算法的使用场景
  • 第5章 KNN分类算法
    • 5.1 KNN分类算法：用多数表决进行分类
      • 5.1.1 用“同类相吸”的办法解决分类问题
      • 5.1.2 KNN分类算法的基本方法：多数表决
      • 5.1.3 表决权问题
      • 5.1.4 KNN的具体含义
    • 5.2 KNN分类的算法原理
      • 5.2.2 KNN分类算法的数学解析
      • 5.2.3 KNN分类算法的具体步骤
    • 5.3 在Python中使用KNN分类算法
    • 5.4 KNN分类算法的使用场景
  • 第6章 朴素贝叶斯分类算法
    • 6.1 朴素贝叶斯：用骰子选择
      • 6.1.1 从统计角度看分类问题
      • 6.1.2 贝叶斯公式的基本思想
      • 6.1.3 用贝叶斯公式进行选择
    • 6.2 朴素贝叶斯分类的算法原理
      • 6.2.2 朴素贝叶斯分类算法的数学解析
      • 6.2.3 朴素贝叶斯分类算法的具体步骤
    • 6.3 在Python中使用朴素贝叶斯分类算法
    • 6.4 朴素贝叶斯分类算法的使用场景
  • 第7章 决策树分类算法
    • 7.1 决策树分类：用“老朋友”if-else进行选择
      • 7.1.1 程序员的选择观：if-else
      • 7.1.2 如何种植一棵有灵魂的“树”
      • 7.1.3 决策条件的选择艺术
      • 7.1.4 决策树的剪枝问题
    • 7.2 决策树分类的算法原理
      • 7.2.2 决策树分类算法的数学解析
      • 7.2.3 决策树分类算法的具体步骤
    • 7.3 在Python中使用决策树分类算法
    • 7.4 决策树分类算法的使用场景
  • 第8章 支持向量机分类算法
    • 8.1 支持向量机：线性分类器的“王者”
      • 8.1.1 距离是不同类别的天然间隔
      • 8.1.2 何为“支持向量”
      • 8.1.3 从更高维度看“线性不可分”
    • 8.2 支持向量机分类的算法原理
      • 8.2.2 支持向量机分类算法的数学解析
      • 8.2.3 支持向量机分类算法的具体步骤
    • 8.3 在Python中使用支持向量机分类算法
    • 8.4 支持向量机分类算法的使用场景
  • 第9章 K-means聚类算法
    • 9.1 用投票表决实现“物以类聚”
      • 9.1.1 聚类问题就是“物以类聚”的实施问题
      • 9.1.2 用“K”来决定归属类别
      • 9.1.3 度量“相似”的距离
      • 9.1.4 聚类问题中的多数表决
    • 9.2 K-means聚类的算法原理
      • 9.2.2 K-means聚类算法的数学解析
      • 9.2.3 K-means聚类算法的具体步骤
    • 9.3 在Python中使用K-means聚类算法
    • 9.4 K-means聚类算法的使用场景
  • 第10章 神经网络分类算法
    • 10.1 用神经网络解决分类问题
      • 10.1.1 神经元的“内心世界”
      • 10.1.2 从神经元看分类问题
      • 10.1.3 神经网络的“细胞”：人工神经元
      • 10.1.4 构成网络的魔力
      • 10.1.5 神经网络与深度学习
    • 10.2 神经网络分类的算法原理
      • 10.2.2 神经网络分类算法的数学解析
      • 10.2.3 神经网络分类算法的具体步骤
    • 10.3 在Python中使用神经网络分类算法
    • 10.4 神经网络分类算法的使用场景
  • 第11章 集成学习方法
    • 11.1 集成学习方法：三个臭皮匠赛过诸葛亮
      • 11.1.1 集成学习方法与经典机器学习算法的关系
      • 11.1.2 集成学习的主要思想
      • 11.1.3 几种集成结构
    • 11.2 集成学习方法的具体实现方式
      • 11.2.2 Boosting算法
      • 11.2.3 Stacking算法
    • 11.3 在Python中使用集成学习方法
    • 11.4 集成学习方法的使用场景
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《机器学习算法的数学解析与Python实现》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度