Scikit-learn機器學(xué)習(xí)高級進階

1　機器學(xué)習(xí)概述 1 1.1 有監(jiān)督學(xué)習(xí)2 1.2 無監(jiān)督學(xué)習(xí)3 1.3 半監(jiān)督學(xué)習(xí)3 1.4 Sklearn概述4 2　數(shù)據(jù)集導(dǎo)入工具 6 2.1 通用數(shù)據(jù)集導(dǎo)入API7 2.1.1 數(shù)據(jù)集加載器7 2.1.2 數(shù)據(jù)集提取器8 2.1.3 數(shù)據(jù)集生成器10 2.1.4 文件導(dǎo)入方法11 2.2 專用數(shù)據(jù)集導(dǎo)入API14 2.2.1 加載樣本圖像數(shù)據(jù)集14 2.2.2 加載svmlight/libsvm格式數(shù)據(jù)集15 2.2.3 從openml.org 下載數(shù)據(jù)集16 2.3 加載外部數(shù)據(jù)集16 2.3.1 列表式數(shù)據(jù)讀取16 2.3.2 多媒體文件讀取17 3　集成學(xué)習(xí) 18 3.1 自助抽樣（bootstrap）19 3.2 自助聚合算法（bagging）20 3.2.1 標(biāo)準自助聚合算法（Bagging）21 3.2.2 隨機森林（Random Forest）29 3.2.3 極端隨機樹（Extremely randomized trees）30 3.3 加速提升算法（boosting）30 3.3.1 自適應(yīng)提升算法（Adaboost）30 3.3.2 梯度提升樹算法（GBDT）38 3.4 投票集成算法（voting）49 3.5 堆棧泛化（stacking）56 4　模型選擇和交叉驗證 62 4.1 交叉驗證評估器64 4.1.1 交叉驗證64 4.1.2 交叉驗證生成器66 4.1.3 使用交叉驗證70 4.2 度量指標(biāo)和評估（評分）75 4.2.1 評分參數(shù)scoring的設(shè)置76 4.2.2 啞分類評估器和啞回歸評估器86 4.3 模型超參數(shù)調(diào)優(yōu)90 4.3.1 窮盡網(wǎng)格超參數(shù)搜索91 4.3.2 隨機超參數(shù)搜索99 4.3.3 非暴力參數(shù)搜索方法101 4.3.4 貝葉斯優(yōu)化103 4.4 驗證曲線104 4.4.1 交叉驗證曲線105 4.4.2 學(xué)習(xí)曲線108 5　異常檢測 115 5.1 新穎點檢測117 5.2 離群點檢測123 5.2.1 橢圓包絡(luò)線算法123 5.2.2 孤立森林算法129 5.2.3 局部離群點因子算法130 6　管道 138 6.1 概念介紹139 6.1.1 評估器（estimator）139 6.1.2 轉(zhuǎn)換器（transformer）140 6.1.3 管道（pipeline）141 6.2 管道機制概述142 6.3 中間評估器及子管道148 6.3.1 獲取中間評估器148 6.3.2 獲取子管道對象149 6.3.3 設(shè)置評估器參數(shù)150 6.4 特征聚合轉(zhuǎn)換器150 6.5 列轉(zhuǎn)換機制154 6.5.1 數(shù)據(jù)泄露154 6.5.2 列轉(zhuǎn)換器155 6.6 模型選擇162 7　信號分解 164 7.1 主成分分析PCA165 7.2 核主成分分析KPCA173 7.3 字典學(xué)習(xí)180 7.3.1 預(yù)置字典編碼180 7.3.2 通用字典學(xué)習(xí)186 7.4 因子分析189 7.5 其他信號分解194 7.5.1 獨立成分分析195 7.5.2 非負矩陣分解196 7.5.3 隱含狄利克雷分布199 8　模型持久化 200 8.1 針對Python對象的序列化201 8.1.1 使用模塊pickle序列化201 8.1.2 使用模塊joblib序列化204 8.2 模型互操作方式205 9　Sklearn系統(tǒng)配置 210 9.1 系統(tǒng)環(huán)境變量211 9.2 運行時環(huán)境變量211 后記 215