使用惩罚回归求解分类问题-[共5页]-159-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
文本预览下载声明
140第4章惩罚线性回归模型包奠定基础，也便于理解第5章中关于模型的不同扩展方法。图4-6预测红酒口感的glmnet模型的系数曲线4.4输入为数值型数据的线性回归方法的扩展目前为止，算法开发关
显示全部
文档详情
相似文档
-
二分类：使用惩罚线性回归来检测未爆炸的水雷-[共24页]-190-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
172第5章使用惩罚线性方法来构建预测模型图5-6在红酒品质数据集上使用扩展特征集合训练套索模型得到的交叉验证错误曲线本节介绍了在包含实数输出的问题上（回归问题
-
通过惩罚回归系数来控制过拟合——岭回归-[共9页]-122-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
3.4模型与数据的均衡103属性名的List中，第一个元素是第一个选择的属性，第二个元素是第二个选择的属性，以此类推。用到的属性按顺序排列。这是机器学习任务中一
-
回归问题的平行坐标图：鲍鱼问题的变量关系可视化-[共4页]-70-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
2.4基于因素变量的实数值预测：鲍鱼的年龄51标准差为1的分布。这是最通用的归一化。归一化计算用到了函数summary()的结果。归一化后的效果如图2-11所示。图2-11归一化鲍鱼数据集属性的箱线图注意归一化到标准差1.0并不意味着所有的
-
使用前向逐步回归来控制过拟合-[共6页]-114-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
3.4模型与数据的均衡95公式3-11数值属性矩阵如果这是一个回归问题，那么Y是包含实数的列向量，线性问题是找到一个权重向量β以及一个标量β0（参照公式3-12
-
多类别分类问题：它属于哪种玻璃-[共5页]-82-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
2.6多类别分类问题：它属于哪种玻璃63图2-19红酒数据的关联热图2.6多类别分类问题：它属于哪种玻璃多类别分类问题与二元分类问题类似，不同之处在于它有几个离散的输出，而不是只有两个。回顾探
-
理解基扩展：使用线性方法来解决非线性问题-[共3页]-164-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
4.4输入为数值型数据的线性回归方法的扩展145另一类扩展方法是使用输出的似然函数来定义问题，也被称作逻辑回归。glmnet算法也可以求解逻辑回归，Friedm
-
理解最小角度回归与前向逐步回归的关系-[共4页]-140-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
4.3求解惩罚线性回归问题121用套索惩罚，不使用岭惩罚。使用ElasticNet形式，在求解线性模型系数之前，λ以及α必须提前确定。一般来讲，确定λ以及α参数的方法是先确定α值，然后尝试使用不同的λ值。会在后续看到这样计算的原因。在许多情
-
对鲍鱼性别属性编码引入Python随机森林回归方法-[共3页]-289-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
7.3Python集成方法引入非数值属性271能很差。图7-6Bagging方法预测红酒口感：误差与决策树数目的关系（决策树深度为8，bagfraction=0
-
在梯度提升回归方法中引入鲍鱼性别属性-[共3页]-294-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
276第7章用Python构建集成模型7.3.3在梯度提升回归方法中引入鲍鱼性别属性梯度提升法对性别变量的处理与随机森林一样。代码清单7-5包含了训练梯度提升
-
多类别分类-分类犯罪现场的玻璃样本-[共6页]-214-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
196第5章使用惩罚线性方法来构建预测模型且为正表明预测样本属于水雷类的结论非常确定。负的较大的数值对应于岩石类别。图5-11在岩石水雷数据上训练Elastic
-
简单问题和复杂问题的对比-[共3页]-93-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
74第3章预测模型的构建：平衡性能、复杂性以及大数据公式3-4一个回归问题的性能度量因为在一个回归问题中，预测目标（yi）以及预测函数输出pred（xi）都是实
-
用梯度提升法对玻璃进行分类-[共5页]-324-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
306第7章用Python构建集成模型7.5.3用梯度提升法对玻璃进行分类代码清单7-9除了一些小的差异外，其基本步骤与上节的使用随机森林对玻璃进行分类的过程基本一致。代码清单7-9使用梯度提
-
梯度提升法分类器的性能-[共4页]-314-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
296第7章用Python构建集成模型代码累积计算AUC并将其存入一个列表准备绘制时，程序同时持续跟踪AUC的最佳值。其最佳值用来生成ROC曲线、假阳性、假阴性等指标（如图7-15所示）。另一个不同是梯度提升方法运行了2次，一次是使用普通的
-
用随机森林对玻璃进行分类-[共4页]-318-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
300第7章用Python构建集成模型此节介绍了如何用集成方法解决二分类问题。在很多方面，使用集成方法解决二分类问题与回归问题基本相同，可以注意到初始化RandomForestRegressor所需的参数与初始化RandomForestCl
-
使用Glmnet：非常快速并且通用-[共7页]-152-Python机器学习——预测分析核心算法-人民邮电出版社-[美] Michael Bowles 鲍尔斯 著.pdf-[美] Michael Bowles 鲍尔斯-人民邮电出版社
4.3求解惩罚线性回归问题133值在第311步左右。但是该图显示最小值比较稳定，相对周围没有明显突出。在某些情况下，该曲线会在某个点上到达一个明显的最小值，往左或者往右都会显著增加。使用交叉验证来决定350个