.jpg)
Python机器学习：方法及实践
作者：薛薇
ISBN：978-7-111-81937-0
本书引领读者进入Python机器学习领域。机器学习是一套先进、深刻且内容丰富的算法集合，是数据科学领域主流的一类分析方法；Python是一款简明、高效且功能强大的开源工具，是数据科学领域最常用的计算机编程语言之一，它们相得益彰，构成了当今大数据技术、人工智能等前沿领域的必备知识技能，是数据科学人才培养的必修课。 本书采用理论与实践相结合的方式，对Python机器学习进行了系统介绍，理论上突出可读性并兼具知识深度和广度，实践上强调可操作性并兼具应用广泛性。对机器学习的原理部分进行了深入透彻的讲解，对机器学习的算法部分给出了Python实现，且在第3～13章均给出了可操作实现的应用案例。 本书可作为数据科学应用研究者以及对Python机器学习有兴趣的数据分析从业者的参考书，也非常适合作为高校数据科学与大数据技术专业、人工智能专业、大数据管理与应用或相近专业的“机器学习”“数据挖掘与机器学习”“机器学习与智能计算”“数据分析与建模”等相关课程的教材。
同系列书
相关图书
- 图书详情
装订：平装
编辑：王斌
开本：16
出版日期：
2026-10-22
字数：675 千字
最新版印次：1-1
最新印次日期：2026-10-22
定价：99.0
cip：20260XY261
中图法分类：TP312.8；TP181
图书简介
本书引领读者进入Python机器学习领域。机器学习是一套先进、深刻且内容丰富的算法集合，是数据科学领域主流的一类分析方法；Python是一款简明、高效且功能强大的开源工具，是数据科学领域最常用的计算机编程语言之一，它们相得益彰，构成了当今大数据技术、人工智能等前沿领域的必备知识技能，是数据科学人才培养的必修课。 本书采用理论与实践相结合的方式，对Python机器学习进行了系统介绍，理论上突出可读性并兼具知识深度和广度，实践上强调可操作性并兼具应用广泛性。对机器学习的原理部分进行了深入透彻的讲解，对机器学习的算法部分给出了Python实现，且在第3～13章均给出了可操作实现的应用案例。 本书可作为数据科学应用研究者以及对Python机器学习有兴趣的数据分析从业者的参考书，也非常适合作为高校数据科学与大数据技术专业、人工智能专业、大数据管理与应用或相近专业的“机器学习”“数据挖掘与机器学习”“机器学习与智能计算”“数据分析与建模”等相关课程的教材。
作者信息
薛薇博士，中国人民大学应用统计研究中心研究员，中国人民大学统计学院副教授。主要开设课程:机器学习，计量经济学，统计软件，统计学。研究方向:机器学习与深度学习算法研究和应用。
章节目录
前言
第1章 机器学习概述 1
1.1 人工智能中的机器学习 1
1.1.1 符号主义人工智能 1
1.1.2 什么是机器学习 2
1.1.3 机器学习助力人工智能发展 3
1.2 机器学习中的大数据 3
1.2.1 机器学习中的结构化数据 3
1.2.2 机器学习中的半结构化数据 5
1.2.3 机器学习中的非结构化数据 6
1.3 机器学习的主要任务 8
1.3.1 数据预测 8
1.3.2 数据聚类 10
1.3.3 其他任务 10
1.4 机器学习的典型应用 13
1.4.1 机器学习的典型行业应用 13
1.4.2 机器学习在客户细分中的应用 14
1.4.3 机器学习在客户流失分析中的
应用 15
1.4.4 机器学习在营销响应分析中的
应用 16
1.4.5 机器学习在交叉销售中的应用 17
1.4.6 机器学习在欺诈甄别中的应用 18
【本章总结】 18
【本章习题】 19
第2章 Python机器学习基础 20
2.1 Python：机器学习的首选工具 20
2.2 Python的集成开发环境：
Anaconda 21
2.2.1 Anaconda概述 21
2.2.2 Anaconda Prompt的使用 22
2.2.3 Spyder的使用 24
2.2.4 Jupyter Notebook的使用 24
2.3 Python第三方包的引用 26
2.4 NumPy使用示例 26
2.4.1 NumPy数组的创建和访问 26
2.4.2 NumPy的计算功能 28
2.5 Pandas使用示例 30
2.5.1 Pandas的序列和索引 31
2.5.2 Pandas的数据框 31
2.5.3 Pandas的数据加工处理 33
2.6 NumPy和Pandas的综合应用：
空气质量监测数据的预处理和
基本分析 35
2.6.1 空气质量监测数据的预处理 35
2.6.2 空气质量监测数据的基本分析 37
2.7 Matplotlib的综合应用：空气质量
监测数据的图形化展示 39
2.7.1 AQI的时序变化特点 39
2.7.2 AQI的分布特征及相关性分析 41
2.8 Seaborn的综合应用：空气质量
监测数据的图形化展示 43
2.8.1 探究各年PM2.5的统计分布
特征 43
2.8.2 探究不同空气质量等级下PM2.5的
统计分布特征 45
2.8.3 探究AQI和各种污染物浓度之间的
相关性 46
【本章总结】 48
【本章相关函数列表】 48
【本章习题】 54
第3章 数据预测与预测建模 56
3.1 认识线性回归预测模型 57
3.1.1 线性回归预测模型 57
3.1.2 线性回归模型的几何理解 57
3.1.3 回归预测模型的评价 58
3.1.4 线性回归预测模型的Python应用
实践：PM2.5浓度预测 58
3.2 认识线性分类预测模型 64
3.2.1 线性分类预测模型：Logisitc回归和
Softmax回归 64
3.2.2 线性分类模型的几何理解 66
3.2.3 分类预测模型的评价 68
3.2.4 Python应用实践：空气质量等级
预测 70
3.3 从线性预测模型到非线性预测
模型 77
3.4 预测模型的参数估计 77
3.4.1 损失函数与有监督学习 78
3.4.2 参数估计的策略 79
3.5 预测模型的选择 83
3.5.1 泛化误差的估计 83
3.5.2 Python模拟和启示：理解泛化
误差 86
3.5.3 预测模型的过拟合问题 90
3.5.4 模型选择：偏差和方差 91
【本章总结】 94
【本章相关函数列表】 94
【本章习题】 95
第4章 数据预测建模：贝叶斯分
类器 96
4.1 贝叶斯概率和贝叶斯法则 96
4.1.1 贝叶斯概率 96
4.1.2 贝叶斯法则 97
4.2 朴素贝叶斯分类器 97
4.2.1 从顾客行为分析看朴素贝叶斯
分类器 97
4.2.2 Python模拟和启示：认识朴素贝叶斯
分类器的分类边界 100
4.2.3 Python应用实践：空气质量等级
预测 102
4.3 朴素贝叶斯分类器在文本分类中的
应用 104
4.3.1 Python文本数据的预处理：文本
分词和量化计算 105
4.3.2 Python文本描述性分析：词云图和
文本相似性 109
4.3.3 Python文本分析综合应用：裁判
文书的要素提取 110
*4.4 贝叶斯参数估计简介 113
4.4.1 从科比投篮分析看贝叶斯参数
估计的基本思想 113
4.4.2 共轭先验分布 114
4.4.3 Python应用实践：科比投篮命中率的
研究 117
【本章总结】 118
【本章相关函数列表】 119
【本章习题】 119
第5章 数据预测建模：近邻分析 120
5.1 近邻分析：K-近邻法 120
5.1.1 距离：K-近邻法的近邻度量 121
5.1.2 参数K：1-近邻法和K-近邻法 122
5.2 回归预测中的K-近邻法 122
5.2.1 Python模拟和启示：认识K-近邻
回归线 123
5.2.2 Python模拟和启示：认识K-近邻
回归面 125
5.3 分类预测中的K-近邻法 127
5.3.1 基于1-近邻和K-近邻的分类 127
5.3.2 Python模拟和启示：参数K和分类
边界 128
5.4 基于观测相似性的加权K-近
邻法 130
5.4.1 加权K-近邻法的权重 130
5.4.2 Python模拟和启示：认识加权K-
近邻法的分类边界 132
5.5 K-近邻法的Python应用实践 133
5.5.1 空气质量等级的预测 134
5.5.2 国产电视剧的大众评分预测 135
*5.6 K-近邻法的适用性探讨 137
【本章总结】 138
【本章相关函数列表】 139
【本章习题】 139
第6章 数据预测建模：决策树 140
6.1 决策树的基本概念 140
6.1.1 什么是决策树 140
6.1.2 决策树的深层含义 141
6.2 回归预测中的决策树 142
6.2.1 决策树的回归面 143
6.2.2 Python模拟和启示：树深度对
回归面的影响 143
6.3 分类预测中的决策树 145
6.3.1 决策树的分类边界 145
6.3.2 Python模拟和启示：树深度对分类
边界的影响 146
6.4 决策树的生长和剪枝 148
6.4.1 决策树的生长 148
6.4.2 决策树的剪枝 149
6.5 经典决策树算法：分类与回归树
CART 150
6.5.1 CART的生长 150
6.5.2 CART的后剪枝 153
6.6 决策树的Python应用实践 156
6.6.1 PM2.5浓度的预测 156
6.6.2 空气质量等级的预测 158
6.6.3 药物适用性研究 159
*6.7 决策树的高方差性 161
【本章总结】 162
【本章相关函数列表】 163
【本章习题】 163
第7章 数据预测建模：支持向量机 164
7.1 支持向量分类概述 164
7.1.1 支持向量分类的基本思路 165
7.1.2 支持向量分类的三种情况 167
7.2 完全线性可分下的支持向量
分类 168
7.2.1 完全线性可分下的超平面 168
7.2.2 参数求解和分类预测 170
7.2.3 Python模拟和启示：认识支持
向量 172
7.3 广义线性可分下的支持向量
分类 174
7.3.1 广义线性可分下的超平面 175
7.3.2 广义线性可分下的误差惩罚和目标
函数 176
7.3.3 Python模拟和启示：认识误差惩罚
参数C 177
7.3.4 参数求解和分类预测 178
7.4 线性不可分下的支持向量
分类 179
7.4.1 线性不可分问题的一般解决
方式 179
7.4.2 支持向量分类克服维灾难的
途径 181
7.4.3 Python模拟和启示：认识核
函数 183
*7.5 支持向量回归概述 185
7.5.1 支持向量回归的基本思路 185
7.5.2 支持向量回归的目标函数和约束
条件 188
7.5.3 Python模拟和启示：认识 ? 189
7.6 支持向量机的Python应用实践：
老年人危险体位预警 191
7.6.1 案例背景和数据说明 191
7.6.2 Python实现 192
【本章总结】 196
【本章相关函数列表】 196
【本章习题】 197
第8章 数据预测建模：集成学习 198
8.1 集成学习概述 198
8.1.1 高方差问题的解决途径 199
8.1.2 从弱模型到强模型的构建 199
8.2 基于重抽样自举法的集成学习 200
8.2.1 重抽样自举法 200
8.2.2 袋装法的基本思想 201
8.2.3 随机森林的基本思想 202
8.2.4 Python应用实践：基于袋装法和
随机森林预测PM2.5浓度 203
8.3 从弱模型到强模型的构建：
提升法 206
8.3.1 提升法的基本思路 207
8.3.2 Python模拟和启示：弱模型联合
成为强模型 208
8.3.3 分类预测中的提升法：
AdaBoost.M1算法 210
8.3.4 Python模拟和启示：认识
AdaBoost.M1算法中高权重样本 214
8.3.5 回归预测中的提升法 215
8.3.6 Python应用实践：基于AdaBoost
预测PM2.5浓度 216
*8.3.7 提升法的推广算法 218
8.4 梯度提升树 221
8.4.1 梯度提升算法 221
8.4.2 梯度提升回归树 223
8.4.3 Python模拟和启示：认识梯度提升
回归树 224
8.4.4 梯度提升分类树 226
8.4.5 Python模拟和启示：认识梯度提升
分类树 226
8.5 XGBoost算法 228
8.5.1 XGBoost的目标函数 228
8.5.2 目标函数的近似表达 229
8.5.3 决策树的求解 230
8.5.4 Python应用实践：基于XGBoost
预测空气质量等级 231
【本章总结】 234
【本章相关函数列表】 235
【本章习题】 235
第9章 数据预测建模：人工神经
网络 237
9.1 人工神经网络的基本概念 238
9.1.1 人工神经网络的基本构成 238
9.1.2 人工神经网络节点的功能 239
9.2 感知机网络 240
9.2.1 感知机网络中的节点 240
9.2.2 感知机节点中的加法器 241
9.2.3 感知机节点中的激活函数 242
9.2.4 Python模拟和启示：认识激活
函数 243
9.2.5 感知机的权重训练 246
9.3 多层感知机网络 251
9.3.1 多层感知机网络的结构 251
9.3.2 多层感知机网络中的隐藏
节点 253
9.3.3 Python模拟和启示：认识隐藏
节点 255
9.4 B-P反向传播算法 258
9.4.1 反向传播算法的基本思想 258
9.4.2 局部梯度和权重更新 258
*9.5 多层网络的其他问题 260
9.6 人工神经网络的Python应用
实践 261
9.6.1 手写体邮政编码的识别 261
9.6.2 PM2.5浓度的回归预测 264
【本章总结】 265
【本章相关函数列表】 265
【本章习题】 266
第10章 特征选择：过滤、包裹和嵌入
策略 267
10.1 过滤式策略下的特征选择 268
10.1.1 低方差过滤法 268
10.1.2 高相关过滤法中的方差分析 270
10.1.3 高相关过滤法中的卡方检验 273
10.1.4 Python应用实践：过滤法下手写体
邮政编码数字的特征选择 275
*10.1.5 其他高相关过滤法 278
10.2 包裹式策略下的特征选择 280
10.2.1 包裹式策略的基本思路 280
10.2.2 递归式特征剔除法 281
10.2.3 基于交叉验证的递归式特征
剔除法 281
10.2.4 Python应用实践：包裹式策略下
手写体邮政编码数字的特征选择 282
10.3 嵌入式策略下的特征选择 284
10.3.1 岭回归和Lasso回归 284
10.3.2 弹性网回归 287
10.3.3 Python应用实践：嵌入式策略下
手写体邮政编码数据的特征选择 289
【本章总结】 295
【本章相关函数列表】 295
【本章习题】 295
第11章 特征提取：空间变换策略 296
11.1 主成分分析 297
11.1.1 主成分分析的基本出发点 297
11.1.2 主成分分析的基本原理 299
11.1.3 确定主成分 301
11.1.4 Python模拟和启示：认识主成分 302
11.2 矩阵的奇异值分解 304
11.2.1 奇异值分解的基本思路 304
11.2.2 奇异值分解的Python应用实践：
脸部数据特征提取 305
*11.3 核主成分分析 307
11.3.1 核主成分分析的出发点 307
11.3.2 核主成分分析的基本原理 309
11.3.3 Python模拟和启示：认识核主
成分 311
11.4 因子分析 314
11.4.1 因子分析的基本出发点 314
11.4.2 因子分析的基本原理 315
11.4.3 Python模拟和启示：认识因子
分析的计算过程 318
11.4.4 因子分析的其他问题 322
11.4.5 因子分析的Python应用实践：
空气质量综合评测 324
【本章总结】 326
【本章相关函数列表】 326
【本章习题】 327
第12章 揭示数据内在结构：聚类
分析 328
12.1 聚类分析概述 328
12.1.1 聚类分析的目的 328
12.1.2 聚类算法概述 330
12.1.3 聚类解的评价 331
12.1.4 聚类解的可视化 334
12.2 基于质心的聚类模型：K-均值
聚类 335
12.2.1 K-均值聚类基本过程 335
12.2.2 基于K-均值聚类的类别预测 337
12.2.3 Python模拟和启示：认识K-均值
聚类中的K 337
12.3 基于连通性的聚类模型：系统
聚类 341
12.3.1 系统聚类的基本过程 341
12.3.2 系统聚类中距离的连通性测度 341
12.3.3 Python模拟和启示：认识系统
聚类中的聚类数目K 342
*12.4 基于高斯分布的聚类模型：
EM聚类 347
12.4.1 出发点：有限混合分布 347
12.4.2 EM聚类算法 349
12.4.3 Python模拟和启示：认识EM
聚类 351
12.5 聚类分析的Python应用实践：
环境污染的区域特征分析 355
【本章总结】 358
【本章相关函数列表】 358
【本章习题】 359
第13章 揭示数据内在结构：特色
聚类 360
13.1 基于密度的聚类：DBSCAN
聚类 360
13.1.1 DBSCAN聚类中的相关概念 360
13.1.2 DBSCAN聚类过程 362
13.1.3 Python模拟和启示：认识
DBSCAN的异形聚类特点 362
*13.2 Mean-Shift聚类 365
13.2.1 什么是核密度估计 366
13.2.2 核密度估计在Mean-Shift聚类中的
意义 367
13.2.3 Mean-Shift聚类过程 369
13.2.4 Python模拟与启示：认识
Mean-Shift聚类中的核宽 370
13.3 BIRCH聚类 372
13.3.1 BIRCH聚类的特点 372
13.3.2 BIRCH算法中的聚类特征树 372
13.3.3 BIRCH聚类的基本思路 375
13.3.4 Python模拟和启示：认识BIRCH
聚类的特点 377
13.4 特色聚类的Python应用实践：
商品批发商的市场细分 380
13.4.1 案例数据说明 381
13.4.2 Python实现 381
【本章总结】 384
【本章相关函数列表】 384
【本章习题】 384
第1章 机器学习概述 1
1.1 人工智能中的机器学习 1
1.1.1 符号主义人工智能 1
1.1.2 什么是机器学习 2
1.1.3 机器学习助力人工智能发展 3
1.2 机器学习中的大数据 3
1.2.1 机器学习中的结构化数据 3
1.2.2 机器学习中的半结构化数据 5
1.2.3 机器学习中的非结构化数据 6
1.3 机器学习的主要任务 8
1.3.1 数据预测 8
1.3.2 数据聚类 10
1.3.3 其他任务 10
1.4 机器学习的典型应用 13
1.4.1 机器学习的典型行业应用 13
1.4.2 机器学习在客户细分中的应用 14
1.4.3 机器学习在客户流失分析中的
应用 15
1.4.4 机器学习在营销响应分析中的
应用 16
1.4.5 机器学习在交叉销售中的应用 17
1.4.6 机器学习在欺诈甄别中的应用 18
【本章总结】 18
【本章习题】 19
第2章 Python机器学习基础 20
2.1 Python：机器学习的首选工具 20
2.2 Python的集成开发环境：
Anaconda 21
2.2.1 Anaconda概述 21
2.2.2 Anaconda Prompt的使用 22
2.2.3 Spyder的使用 24
2.2.4 Jupyter Notebook的使用 24
2.3 Python第三方包的引用 26
2.4 NumPy使用示例 26
2.4.1 NumPy数组的创建和访问 26
2.4.2 NumPy的计算功能 28
2.5 Pandas使用示例 30
2.5.1 Pandas的序列和索引 31
2.5.2 Pandas的数据框 31
2.5.3 Pandas的数据加工处理 33
2.6 NumPy和Pandas的综合应用：
空气质量监测数据的预处理和
基本分析 35
2.6.1 空气质量监测数据的预处理 35
2.6.2 空气质量监测数据的基本分析 37
2.7 Matplotlib的综合应用：空气质量
监测数据的图形化展示 39
2.7.1 AQI的时序变化特点 39
2.7.2 AQI的分布特征及相关性分析 41
2.8 Seaborn的综合应用：空气质量
监测数据的图形化展示 43
2.8.1 探究各年PM2.5的统计分布
特征 43
2.8.2 探究不同空气质量等级下PM2.5的
统计分布特征 45
2.8.3 探究AQI和各种污染物浓度之间的
相关性 46
【本章总结】 48
【本章相关函数列表】 48
【本章习题】 54
第3章 数据预测与预测建模 56
3.1 认识线性回归预测模型 57
3.1.1 线性回归预测模型 57
3.1.2 线性回归模型的几何理解 57
3.1.3 回归预测模型的评价 58
3.1.4 线性回归预测模型的Python应用
实践：PM2.5浓度预测 58
3.2 认识线性分类预测模型 64
3.2.1 线性分类预测模型：Logisitc回归和
Softmax回归 64
3.2.2 线性分类模型的几何理解 66
3.2.3 分类预测模型的评价 68
3.2.4 Python应用实践：空气质量等级
预测 70
3.3 从线性预测模型到非线性预测
模型 77
3.4 预测模型的参数估计 77
3.4.1 损失函数与有监督学习 78
3.4.2 参数估计的策略 79
3.5 预测模型的选择 83
3.5.1 泛化误差的估计 83
3.5.2 Python模拟和启示：理解泛化
误差 86
3.5.3 预测模型的过拟合问题 90
3.5.4 模型选择：偏差和方差 91
【本章总结】 94
【本章相关函数列表】 94
【本章习题】 95
第4章 数据预测建模：贝叶斯分
类器 96
4.1 贝叶斯概率和贝叶斯法则 96
4.1.1 贝叶斯概率 96
4.1.2 贝叶斯法则 97
4.2 朴素贝叶斯分类器 97
4.2.1 从顾客行为分析看朴素贝叶斯
分类器 97
4.2.2 Python模拟和启示：认识朴素贝叶斯
分类器的分类边界 100
4.2.3 Python应用实践：空气质量等级
预测 102
4.3 朴素贝叶斯分类器在文本分类中的
应用 104
4.3.1 Python文本数据的预处理：文本
分词和量化计算 105
4.3.2 Python文本描述性分析：词云图和
文本相似性 109
4.3.3 Python文本分析综合应用：裁判
文书的要素提取 110
*4.4 贝叶斯参数估计简介 113
4.4.1 从科比投篮分析看贝叶斯参数
估计的基本思想 113
4.4.2 共轭先验分布 114
4.4.3 Python应用实践：科比投篮命中率的
研究 117
【本章总结】 118
【本章相关函数列表】 119
【本章习题】 119
第5章 数据预测建模：近邻分析 120
5.1 近邻分析：K-近邻法 120
5.1.1 距离：K-近邻法的近邻度量 121
5.1.2 参数K：1-近邻法和K-近邻法 122
5.2 回归预测中的K-近邻法 122
5.2.1 Python模拟和启示：认识K-近邻
回归线 123
5.2.2 Python模拟和启示：认识K-近邻
回归面 125
5.3 分类预测中的K-近邻法 127
5.3.1 基于1-近邻和K-近邻的分类 127
5.3.2 Python模拟和启示：参数K和分类
边界 128
5.4 基于观测相似性的加权K-近
邻法 130
5.4.1 加权K-近邻法的权重 130
5.4.2 Python模拟和启示：认识加权K-
近邻法的分类边界 132
5.5 K-近邻法的Python应用实践 133
5.5.1 空气质量等级的预测 134
5.5.2 国产电视剧的大众评分预测 135
*5.6 K-近邻法的适用性探讨 137
【本章总结】 138
【本章相关函数列表】 139
【本章习题】 139
第6章 数据预测建模：决策树 140
6.1 决策树的基本概念 140
6.1.1 什么是决策树 140
6.1.2 决策树的深层含义 141
6.2 回归预测中的决策树 142
6.2.1 决策树的回归面 143
6.2.2 Python模拟和启示：树深度对
回归面的影响 143
6.3 分类预测中的决策树 145
6.3.1 决策树的分类边界 145
6.3.2 Python模拟和启示：树深度对分类
边界的影响 146
6.4 决策树的生长和剪枝 148
6.4.1 决策树的生长 148
6.4.2 决策树的剪枝 149
6.5 经典决策树算法：分类与回归树
CART 150
6.5.1 CART的生长 150
6.5.2 CART的后剪枝 153
6.6 决策树的Python应用实践 156
6.6.1 PM2.5浓度的预测 156
6.6.2 空气质量等级的预测 158
6.6.3 药物适用性研究 159
*6.7 决策树的高方差性 161
【本章总结】 162
【本章相关函数列表】 163
【本章习题】 163
第7章 数据预测建模：支持向量机 164
7.1 支持向量分类概述 164
7.1.1 支持向量分类的基本思路 165
7.1.2 支持向量分类的三种情况 167
7.2 完全线性可分下的支持向量
分类 168
7.2.1 完全线性可分下的超平面 168
7.2.2 参数求解和分类预测 170
7.2.3 Python模拟和启示：认识支持
向量 172
7.3 广义线性可分下的支持向量
分类 174
7.3.1 广义线性可分下的超平面 175
7.3.2 广义线性可分下的误差惩罚和目标
函数 176
7.3.3 Python模拟和启示：认识误差惩罚
参数C 177
7.3.4 参数求解和分类预测 178
7.4 线性不可分下的支持向量
分类 179
7.4.1 线性不可分问题的一般解决
方式 179
7.4.2 支持向量分类克服维灾难的
途径 181
7.4.3 Python模拟和启示：认识核
函数 183
*7.5 支持向量回归概述 185
7.5.1 支持向量回归的基本思路 185
7.5.2 支持向量回归的目标函数和约束
条件 188
7.5.3 Python模拟和启示：认识 ? 189
7.6 支持向量机的Python应用实践：
老年人危险体位预警 191
7.6.1 案例背景和数据说明 191
7.6.2 Python实现 192
【本章总结】 196
【本章相关函数列表】 196
【本章习题】 197
第8章 数据预测建模：集成学习 198
8.1 集成学习概述 198
8.1.1 高方差问题的解决途径 199
8.1.2 从弱模型到强模型的构建 199
8.2 基于重抽样自举法的集成学习 200
8.2.1 重抽样自举法 200
8.2.2 袋装法的基本思想 201
8.2.3 随机森林的基本思想 202
8.2.4 Python应用实践：基于袋装法和
随机森林预测PM2.5浓度 203
8.3 从弱模型到强模型的构建：
提升法 206
8.3.1 提升法的基本思路 207
8.3.2 Python模拟和启示：弱模型联合
成为强模型 208
8.3.3 分类预测中的提升法：
AdaBoost.M1算法 210
8.3.4 Python模拟和启示：认识
AdaBoost.M1算法中高权重样本 214
8.3.5 回归预测中的提升法 215
8.3.6 Python应用实践：基于AdaBoost
预测PM2.5浓度 216
*8.3.7 提升法的推广算法 218
8.4 梯度提升树 221
8.4.1 梯度提升算法 221
8.4.2 梯度提升回归树 223
8.4.3 Python模拟和启示：认识梯度提升
回归树 224
8.4.4 梯度提升分类树 226
8.4.5 Python模拟和启示：认识梯度提升
分类树 226
8.5 XGBoost算法 228
8.5.1 XGBoost的目标函数 228
8.5.2 目标函数的近似表达 229
8.5.3 决策树的求解 230
8.5.4 Python应用实践：基于XGBoost
预测空气质量等级 231
【本章总结】 234
【本章相关函数列表】 235
【本章习题】 235
第9章 数据预测建模：人工神经
网络 237
9.1 人工神经网络的基本概念 238
9.1.1 人工神经网络的基本构成 238
9.1.2 人工神经网络节点的功能 239
9.2 感知机网络 240
9.2.1 感知机网络中的节点 240
9.2.2 感知机节点中的加法器 241
9.2.3 感知机节点中的激活函数 242
9.2.4 Python模拟和启示：认识激活
函数 243
9.2.5 感知机的权重训练 246
9.3 多层感知机网络 251
9.3.1 多层感知机网络的结构 251
9.3.2 多层感知机网络中的隐藏
节点 253
9.3.3 Python模拟和启示：认识隐藏
节点 255
9.4 B-P反向传播算法 258
9.4.1 反向传播算法的基本思想 258
9.4.2 局部梯度和权重更新 258
*9.5 多层网络的其他问题 260
9.6 人工神经网络的Python应用
实践 261
9.6.1 手写体邮政编码的识别 261
9.6.2 PM2.5浓度的回归预测 264
【本章总结】 265
【本章相关函数列表】 265
【本章习题】 266
第10章 特征选择：过滤、包裹和嵌入
策略 267
10.1 过滤式策略下的特征选择 268
10.1.1 低方差过滤法 268
10.1.2 高相关过滤法中的方差分析 270
10.1.3 高相关过滤法中的卡方检验 273
10.1.4 Python应用实践：过滤法下手写体
邮政编码数字的特征选择 275
*10.1.5 其他高相关过滤法 278
10.2 包裹式策略下的特征选择 280
10.2.1 包裹式策略的基本思路 280
10.2.2 递归式特征剔除法 281
10.2.3 基于交叉验证的递归式特征
剔除法 281
10.2.4 Python应用实践：包裹式策略下
手写体邮政编码数字的特征选择 282
10.3 嵌入式策略下的特征选择 284
10.3.1 岭回归和Lasso回归 284
10.3.2 弹性网回归 287
10.3.3 Python应用实践：嵌入式策略下
手写体邮政编码数据的特征选择 289
【本章总结】 295
【本章相关函数列表】 295
【本章习题】 295
第11章 特征提取：空间变换策略 296
11.1 主成分分析 297
11.1.1 主成分分析的基本出发点 297
11.1.2 主成分分析的基本原理 299
11.1.3 确定主成分 301
11.1.4 Python模拟和启示：认识主成分 302
11.2 矩阵的奇异值分解 304
11.2.1 奇异值分解的基本思路 304
11.2.2 奇异值分解的Python应用实践：
脸部数据特征提取 305
*11.3 核主成分分析 307
11.3.1 核主成分分析的出发点 307
11.3.2 核主成分分析的基本原理 309
11.3.3 Python模拟和启示：认识核主
成分 311
11.4 因子分析 314
11.4.1 因子分析的基本出发点 314
11.4.2 因子分析的基本原理 315
11.4.3 Python模拟和启示：认识因子
分析的计算过程 318
11.4.4 因子分析的其他问题 322
11.4.5 因子分析的Python应用实践：
空气质量综合评测 324
【本章总结】 326
【本章相关函数列表】 326
【本章习题】 327
第12章 揭示数据内在结构：聚类
分析 328
12.1 聚类分析概述 328
12.1.1 聚类分析的目的 328
12.1.2 聚类算法概述 330
12.1.3 聚类解的评价 331
12.1.4 聚类解的可视化 334
12.2 基于质心的聚类模型：K-均值
聚类 335
12.2.1 K-均值聚类基本过程 335
12.2.2 基于K-均值聚类的类别预测 337
12.2.3 Python模拟和启示：认识K-均值
聚类中的K 337
12.3 基于连通性的聚类模型：系统
聚类 341
12.3.1 系统聚类的基本过程 341
12.3.2 系统聚类中距离的连通性测度 341
12.3.3 Python模拟和启示：认识系统
聚类中的聚类数目K 342
*12.4 基于高斯分布的聚类模型：
EM聚类 347
12.4.1 出发点：有限混合分布 347
12.4.2 EM聚类算法 349
12.4.3 Python模拟和启示：认识EM
聚类 351
12.5 聚类分析的Python应用实践：
环境污染的区域特征分析 355
【本章总结】 358
【本章相关函数列表】 358
【本章习题】 359
第13章 揭示数据内在结构：特色
聚类 360
13.1 基于密度的聚类：DBSCAN
聚类 360
13.1.1 DBSCAN聚类中的相关概念 360
13.1.2 DBSCAN聚类过程 362
13.1.3 Python模拟和启示：认识
DBSCAN的异形聚类特点 362
*13.2 Mean-Shift聚类 365
13.2.1 什么是核密度估计 366
13.2.2 核密度估计在Mean-Shift聚类中的
意义 367
13.2.3 Mean-Shift聚类过程 369
13.2.4 Python模拟与启示：认识
Mean-Shift聚类中的核宽 370
13.3 BIRCH聚类 372
13.3.1 BIRCH聚类的特点 372
13.3.2 BIRCH算法中的聚类特征树 372
13.3.3 BIRCH聚类的基本思路 375
13.3.4 Python模拟和启示：认识BIRCH
聚类的特点 377
13.4 特色聚类的Python应用实践：
商品批发商的市场细分 380
13.4.1 案例数据说明 381
13.4.2 Python实现 381
【本章总结】 384
【本章相关函数列表】 384
【本章习题】 384
图书评论
