思维导图备注

数据科学导论：Python语言实现
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

3.3.2 主成分分析

浏览 4 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-23 09:16:26
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 译者序
  • 前言
    • 1.1 数据科学与Python简介
    • 1.2 Python的安装
      • 1.2.1 Python 2还是Python 3
      • 1.2.2 分步安装
      • 1.2.3 Python核心工具包一瞥
      • 1.2.4 工具包的安装
    • 1.2.5 工具包升级
      • 1.3.1 Anaconda
      • 1.3.2 Enthought Canopy
      • 1.3.3 PythonXY
      • 1.3.4 WinPython
    • 1.4 IPython简介
      • 1.4.1 IPython Notebook
      • 1.4.2 本书使用的数据集和代码
    • 1.5 小结
  • 第2章 数据改写
    • 2.1 数据科学过程
      • 2.2.1 数据快捷加载
      • 2.2.2 处理问题数据
      • 2.2.3 处理大数据集
      • 2.2.4 访问其他数据格式
      • 2.2.5 数据预处理
      • 2.2.6 数据选择
    • 2.3 使用分类数据和文本数据
    • 2.4 使用NumPy进行数据处理
      • 2.4.1 NumPy中的N维数组
      • 2.4.2 NumPy ndarray对象基础
    • 2.5 创建NumPy数组
      • 2.5.2 控制内存大小
      • 2.5.3 异构列表
      • 2.5.4 从列表到多维数组
      • 2.5.5 改变数组大小
      • 2.5.6 利用NumPy函数生成数组
      • 2.5.7 直接从文件中获得数组
      • 2.5.8 从pandas提取数据
    • 2.6 NumPy快速操作和计算
      • 2.6.1 矩阵运算
      • 2.6.2 NumPy数组切片和索引
      • 2.6.3 NumPy数组堆叠
    • 2.7 小结
  • 第3章 数据科学流程
    • 3.1 EDA简介
    • 3.2 特征创建
    • 3.3 维数约简
      • 3.3.1 协方差矩阵
      • 3.3.2 主成分分析
      • 3.3.3 一种用于大数据的PCA变型——Randomized PCA
      • 3.3.4 潜在因素分析
      • 3.3.5 线性判别分析
      • 3.3.6 潜在语义分析
      • 3.3.7 独立成分分析
      • 3.3.8 核主成分分析
      • 3.3.9 受限玻耳兹曼机
    • 3.4 异常检测和处理
      • 3.4.1 单变量异常检测
      • 3.4.2 EllipticEnvelope
      • 3.4.3 OneClassSVM
    • 3.5 评分函数
      • 3.5.1 多标号分类
      • 3.5.2 二值分类
      • 3.5.3 回归
    • 3.6 测试和验证
    • 3.7 交叉验证
      • 3.7.1 使用交叉验证迭代器
      • 3.7.2 采样和自举方法
    • 3.8 超参数优化
      • 3.8.1 建立自定义评分函数
      • 3.8.2 减少网格搜索时间
    • 3.9 特征选择
      • 3.9.1 单变量选择
      • 3.9.2 递归消除
      • 3.9.3 稳定性选择与基于L1的选择
    • 3.10 小结
  • 第4章 机器学习
    • 4.1 线性和逻辑回归
    • 4.2 朴素贝叶斯
    • 4.3 K近邻
    • 4.4 高级非线性算法
      • 4.4.1 基于SVM的分类算法
      • 4.4.2 基于SVM的回归算法
      • 4.4.3 调整SVM
    • 4.5 组合策略
      • 4.5.1 基于随机样本的粘合策略
      • 4.5.2 基于弱组合的分袋策略
      • 4.5.3 随机子空间和随机分片
      • 4.5.4 模型序列——AdaBoost
      • 4.5.5 梯度树提升
      • 4.5.6 处理大数据
    • 4.6 自然语言处理一瞥
      • 4.6.1 词语分词
      • 4.6.2 词干提取
      • 4.6.3 词性标注
      • 4.6.4 命名实体识别
      • 4.6.6 一个完整的数据科学示例——文本分类
    • 4.7 无监督学习概述
    • 4.8 小结
  • 第5章 社会网络分析
    • 5.1 图论简介
    • 5.2 图的算法
    • 5.3 图的加载、输出和采样
    • 5.4 小结
  • 第6章 可视化
    • 6.1 matplotlib基础介绍
      • 6.1.1 曲线绘图
      • 6.1.2 绘制分块图
      • 6.1.4 直方图
      • 6.1.5 柱状图
      • 6.1.6 图像可视化
    • 6.2 pandas的几个图形示例
      • 6.2.1 箱线图与直方图
      • 6.2.2 散点图
      • 6.2.3 平行坐标
    • 6.3 高级数据学习表示
      • 6.3.1 学习曲线
      • 6.3.2 验证曲线
      • 6.3.3 特征重要性
      • 6.3.4 GBT部分依赖关系图
    • 6.4 小结
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

    《数据科学导论：Python语言实现》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