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
文本预览下载声明
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
显示全部
文档详情
相似文档
-
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
-
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
-
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
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
-
二元决策树的过拟合-[共4页]-232-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
214第6章集成方法图6-7深度为2的决策树的框图6.1.4二元决策树的过拟合上节介绍了如何训练任意深度的二元决策树。那么有没有可能过拟合一个二元决策树？本节介绍如何度量和控制二元决策树的过拟合。二元决策树的过拟合原因与第4章和第5章的有所
-
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
-
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
-
利用Python Pandas对“岩石vs.水雷”数据集进行统计分析-[共3页]-51-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
32第2章通过理解数据来了解问题那么如何利用这些信息？异常点在建模或预测期间都会带来麻烦。基于此数据集训练完一个模型后，可以查看此模型预测错误的情况，然后确认此
-
用Python梯度提升法探测未爆炸水雷-[共7页]-307-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
7.4用Python集成方法解决二分类问题289图7-14是最重要的前30个属性的重要性排名。在水雷检测的问题中，不同的属性对应不同频率的声纳信号，即不同波长的信号。如果要求设计一个机器学习系统来解决这个问题
-
Bagging算法是如何工作的-[共11页]-237-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
6.2自举集成：Bagging算法219假设一个类别属性包含A、B、C三类，可能的分割方式是：A在一个子集，B、C在另外一个子集，或者B在一个子集，A、C在另外一个子集，诸如
-
为什么这两类算法如此有用-[共5页]-20-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
第1章关于预测的两类核心算法本书集中于机器学习领域，只关注那些最有效和获得广泛使用的算法。不会提供关于机器学习技术领域的全面综述。这种全面性的综述往往会提供太多的算法，但是这些算法并没有在从业
-
构建随机森林模型来预测红酒口感-[共7页]-269-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
第7章用Python构建集成模型本章使用Python工具包利用第6章介绍的集成方法构建预测模型。解决的问题在第2章中已介绍过。第5章介绍了如何使用惩罚线性回归来构建预测模型解决上述问题。本章使用集成方法来解决
-
基于因素变量的实数值预测：鲍鱼的年龄-[共6页]-64-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45plot.pcolor(corMat)plot.show()图2-8展示属性对相关性的热图属性之间如果完全相关（
-
用实数值属性预测实数值目标：评估红酒口感-[共6页]-76-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
2.5用实数值属性预测实数值目标：评估红酒口感57可以采用鲍鱼数据分析同样的工具。因为所有属性都是数值型，分析时可以包含所有的属性，如计算相关性时。2.5用实数