思维导图备注

预测分析：R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

8.9 小结

浏览 5 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-23 09:21:50
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 模型
      • 1.1.3 我们的第一个模型：k近邻
    • 1.2 模型的类型
      • 1.2.2 参数化和非参数化模型
      • 1.2.4 实时和批处理机器学习模型
    • 1.3 预测建模的过程
      • 1.3.2 收集数据
      • 1.3.3 选取模型
      • 1.3.4 数据的预处理
      • 1.3.5 特征工程和降维
      • 1.3.6 训练和评估模型
      • 1.3.7 重复尝试不同模型及模型的最终选择
      • 1.3.8 部署模型
    • 1.4 性能衡量指标
    • 1.5 小结
  • 第2章 线性回归
    • 2.2 简单线性回归
      • 2.3.1 预测CPU性能
      • 2.3.2 预测二手汽车的价格
    • 2.4 评估线性回归模型
      • 2.4.1 残差分析
      • 2.4.3 线性回归的性能衡量指标
      • 2.4.4 比较不同的回归模型
    • 2.4.5 在测试集上的性能
      • 2.5.1 多重共线性
      • 2.5.2 离群值
    • 2.6 特征选择
    • 2.7 正则化
      • 2.7.1 岭回归
      • 2.7.2 最小绝对值收缩和选择算子
    • 2.7.3 在R语言里实现正则化
  • 第3章 逻辑回归
    • 3.1 利用线性回归进行分类
    • 3.2 逻辑回归入门
      • 3.2.1 广义线性模型
      • 3.2.2 解释逻辑回归中的系数
      • 3.2.3 逻辑回归的假设
      • 3.2.4 最大似然估计
    • 3.3 预测心脏病
    • 3.4 评估逻辑回归模型
      • 3.4.1 模型的偏差
      • 3.4.2 测试集的性能
    • 3.5 利用lasso进行正则化
    • 3.6 分类指标
    • 3.7 二元逻辑分类器的扩展
      • 3.7.1 多元逻辑回归
      • 3.7.2 有序逻辑回归
    • 3.8 小结
  • 第4章 神经网络
    • 4.1 生物神经元
    • 4.2 人工神经元
    • 4.3 随机梯度下降
      • 4.3.1 梯度下降和局部极小值
      • 4.3.2 感知器算法
      • 4.3.3 线性分离
      • 4.3.4 逻辑神经元
    • 4.4 多层感知器网络
    • 4.5 预测建筑物的能源效率
    • 4.6 重新进行玻璃类型预测
    • 4.8 小结
  • 第5章 支持向量机
    • 5.1 最大边缘分类
    • 5.2 支持向量分类
    • 5.3 核和支持向量机
    • 5.4 预测化学品的生物降解
    • 5.5 交叉验证
    • 5.6 预测信用评分
    • 5.7 用支持向量机进行多类别分类
  • 5.8 小结
    • 6.1 树形模型的直观印象
    • 6.2 训练决策树的算法
      • 6.2.2 回归模型树
      • 6.2.3 CART分类树
    • 6.3 在合成的二维数据上预测类别归属关系
    • 6.4 预测纸币的真实性
    • 6.5 预测复杂的技能学习
      • 6.5.1 在CART树里对模型参数进行调优
    • 6.5.3 回归模型树实用示例
  • 第7章 集成方法
    • 7.1 装袋
      • 7.1.1 边缘和袋外观测数据
      • 7.1.2 用装袋预测复杂技能学习
      • 7.1.3 用装袋预测心脏病
      • 7.1.4 装袋的局限性
    • 7.2 增强
    • 7.3 预测大气中伽马射线的辐射
    • 7.4 利用增强算法预测复杂技能学习
    • 7.6 小结
  • 第8章 概率图模型
    • 8.1 图论入门
    • 8.2 贝叶斯定理
    • 8.3 条件性独立
    • 8.4 贝叶斯网络
    • 8.5 朴素贝叶斯分类器
    • 8.6 隐马尔可夫模型
    • 8.7 预测启动子基因序列
    • 8.8 预测英语单词里的字母特征
    • 8.9 小结
  • 第9章 时间序列分析
    • 9.1 时间序列的基本概念
    • 9.2 一些基本的时间序列
      • 9.2.2 随机漫步
    • 9.3 平稳性
    • 9.4 平稳时间序列模型
      • 9.4.2 自回归模型
      • 9.4.3 自回归移动平均模型
    • 9.5 非平稳时间序列模型
      • 9.5.2 自回归条件异方差模型
      • 9.5.3 广义自回归条件异方差模型
    • 9.6 预测强烈地震
    • 9.7 预测猞猁的诱捕
    • 9.9 其他时间序列模型
  • 第10章 主题建模
    • 10.1 主题建模概况
      • 10.2.1 狄式分布
      • 10.2.3 拟合LDA模型
    • 10.3 对在线新闻报道的主题进行建模
      • 10.3.1 模型稳定性
      • 10.3.2 找出主题数量
      • 10.3.3 主题分布
      • 10.3.4 单词分布
    • 10.3.5 LDA扩展模型
  • 第11章 推荐系统
    • 11.1 评分矩阵
    • 11.2 协同过滤
      • 11.2.1 基于用户的协同过滤
      • 11.2.2 基于商品的协同过滤
    • 11.3 奇异值分解
    • 11.4 R语言和大数据
    • 11.5 预测电影和笑话的推荐
    • 11.6 加载和预处理数据
    • 11.7 对数据进行探索
      • 11.7.1 评估二元的top-N推荐
      • 11.7.2 评估非二元的top-N推荐
      • 11.7.3 评估每种预测方法
    • 11.8 推荐系统的其他方法
    • 11.9 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

    《预测分析：R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