Python機器學習原理與算法實現(xiàn)

第1章  Python入門知識 1
1.1  Python簡介與本書的教學理念 1
1.2  Python的下載與安裝 2
1.2.1  下載Python（Anaconda平臺） 2
1.2.2  安裝Python（Anaconda平臺） 4
1.2.3  Anaconda Prompt（Anaconda3） 6
1.2.4  Spyder（Anaconda3）的介紹及偏好設(shè)置 7
1.2.5  Spyder（Anaconda3）窗口介紹 10
1.3  Python注釋、基本輸入與輸出 16
1.3.1  Python的注釋 16
1.3.2  print函數(shù) 17
1.3.3  input函數(shù) 17
1.4  Python變量和數(shù)據(jù)類型 18
1.4.1  Python的保留字與標識符 18
1.4.2  Python的變量 19
1.4.3  Python的基本數(shù)據(jù)類型 20
1.4.4  Python的數(shù)據(jù)運算符 23
1.5  Python序列 25
1.5.1  索引（Indexing） 26
1.5.2  切片（Slicing） 26
1.5.3  相加（Adding） 27
1.5.4  相乘（Multiplying） 28
1.5.5  元素檢查 28
1.5.6  與序列相關(guān)的內(nèi)置函數(shù) 28
1.6  Python列表 30
1.6.1  列表的基本操作 30
1.6.2  列表元素的基本操作 32
1.6.3  列表推導(dǎo)式 33
1.7  Python元組 34
1.7.1  元組的基本操作 34
1.7.2  元組元素的基本操作 35
1.7.3  元組推導(dǎo)式 36
1.8  Python字典 37
1.8.1  字典的基本操作 37
1.8.2  字典元素的基本操作 39
1.8.3  字典推導(dǎo)式 40
1.9  Python集合 41
1.10  Python字符串 42
1.11  習題 46
第2章  Python進階知識 48
2.1  Python流程控制語句 48
2.1.1  選擇語句 48
2.1.2  循環(huán)語句 50
2.1.3  跳轉(zhuǎn)語句 52
2.2  Python函數(shù) 53
2.2.1  函數(shù)的創(chuàng)建和調(diào)用 53
2.2.2  參數(shù)的相關(guān)概念與操作 53
2.2.3  變量的作用域 56
2.3  Python模塊和包 58
2.3.1  模塊的創(chuàng)建和導(dǎo)入 58
2.3.2  包的創(chuàng)建和使用 61
2.4  Python numpy模塊中的數(shù)組 63
2.4.1  數(shù)組的創(chuàng)建 63
2.4.2  數(shù)組的計算 65
2.4.3  使用數(shù)組開展矩陣運算 66
2.4.4  數(shù)組的排序、索引和切片 66
2.5  Python pandas模塊中的序列與數(shù)據(jù)框 67
2.5.1  序列的相關(guān)操作 67
2.5.2  數(shù)據(jù)框的相關(guān)操作 69
2.6  Python對象與類 74
2.6.1  類的定義 74
2.6.2  定義適用于類對象的方法 75
2.6.3  子類從父類繼承 76
2.7  Python數(shù)據(jù)讀取 76
2.7.1  讀取文本文件（CSV或者TXT文件） 77
2.7.2  讀取EXCEL數(shù)據(jù) 80
2.7.3  讀取SPSS數(shù)據(jù) 81
2.7.4  讀取Stata數(shù)據(jù) 82
2.8  Python數(shù)據(jù)檢索 83
2.9  Python數(shù)據(jù)缺失值處理 84
2.9.1  查看數(shù)據(jù)集中的缺失值 84
2.9.2  填充數(shù)據(jù)集中的缺失值 86
2.9.3  刪除數(shù)據(jù)集中的缺失值 89
2.10  Python數(shù)據(jù)重復(fù)值處理 91
2.10.1  查看數(shù)據(jù)集中的重復(fù)值 91
2.10.2  刪除數(shù)據(jù)集中的重復(fù)值 92
2.11  Python數(shù)據(jù)行列處理 94
2.11.1  刪除變量列、樣本行 94
2.11.2  更改變量列名稱、調(diào)整變量列順序 95
2.11.3  改變列的數(shù)據(jù)格式 96
2.11.4  多列轉(zhuǎn)換 96
2.11.5  數(shù)據(jù)百分比格式轉(zhuǎn)換 97
2.12  習題 98
第3章  機器學習介紹 99
3.1  機器學習概述 99
3.2  機器學習術(shù)語 100
3.3  機器學習分類 101
3.4  誤差、泛化、過擬合與欠擬合 102
3.5  偏差、方差與噪聲 103
3.5.1  偏差 103
3.5.2  方差 103
3.5.3  噪聲 103
3.5.4  誤差與偏差、方差、噪聲的關(guān)系 104
3.5.5  偏差與方差的權(quán)衡 104
3.6  性能量度 105
3.6.1  “回歸問題監(jiān)督式學習”的性能量度 105
3.6.2  “分類問題監(jiān)督式學習”的性能量度 106
3.7  模型評估 111
3.7.1  驗證集法 111
3.7.2  K折交叉驗證 112
3.7.3  自助法 113
3.8  機器學習項目流程 114
3.9  習題 118
第4章  線性回歸算法 119
4.1  線性回歸算法的基本原理 119
4.1.1  線性回歸算法的概念及數(shù)學解釋 119
4.1.2  線性回歸算法的優(yōu)缺點 120
4.2  數(shù)據(jù)準備 121
4.2.1  導(dǎo)入分析所需要的模塊和函數(shù) 121
4.2.2  數(shù)據(jù)讀取及觀察 122
4.3  描述性分析 123
4.4  圖形繪制 125
4.4.1  直方圖 125
4.4.2  密度圖 127
4.4.3  箱圖 128
4.4.4  小提琴圖 128
4.4.5  正態(tài)QQ圖 129
4.4.6  散點圖和線圖 130
4.4.7  熱力圖 131
4.4.8  回歸擬合圖 132
4.4.9  聯(lián)合分布圖 132
4.5  正態(tài)性檢驗 133
4.5.1  Shapiro-Wilk test檢驗 133
4.5.2  kstest檢驗 134
4.6  相關(guān)性分析 135
4.7  使用statsmodels進行線性回歸 137
4.7.1  使用 smf 進行線性回歸 137
4.7.2  多重共線性檢驗 139
4.7.3  解決多重共線性問題 140
4.7.4  繪制擬合回歸平面 141
4.8  使用sklearn進行線性回歸 142
4.8.1  使用驗證集法進行模型擬合 142
4.8.2  更換隨機數(shù)種子，使用驗證集法進行模型擬合 143
4.8.3  使用10折交叉驗證法進行模型擬合 143
4.8.4  使用10折重復(fù)10次交叉驗證法進行模型擬合 144
4.8.5  使用留一交叉驗證法進行模型擬合 144
4.9  習題 145
第5章  二元Logistic回歸算法 147
5.1  二元Logistic回歸算法的基本原理 147
5.2  數(shù)據(jù)準備 148
5.2.1  導(dǎo)入分析所需要的模塊和函數(shù) 149
5.2.2  數(shù)據(jù)讀取及觀察 150
5.3  描述性分析 152
5.4  數(shù)據(jù)處理 154
5.4.1  區(qū)分分類特征和連續(xù)特征并進行處理 154
5.4.2  將樣本全集分割為訓練樣本和測試樣本 154
5.5  建立二元Logistic回歸算法模型 155
5.5.1  使用statsmodels建立二元Logistic回歸算法模型 155
5.5.2  使用sklearn建立二元Logistic回歸算法模型 159
5.5.3  特征變量重要性水平分析 162
5.5.4  繪制ROC曲線，計算AUC值 165
5.5.5  計算科恩kappa得分 166
5.6  習題 167
第6章  多元Logistic回歸算法 169
6.1  多元Logistic回歸算法的基本原理 169
6.2  數(shù)據(jù)準備 170
6.2.1  導(dǎo)入分析所需要的模塊和函數(shù) 170
6.2.2  數(shù)據(jù)讀取及觀察 171
6.3  描述性分析及圖形繪制 172
6.3.1  描述性分析 172
6.3.2  繪制直方圖 173
6.3.3  繪制箱圖 173
6.4  數(shù)據(jù)處理 175
6.4.1  區(qū)分分類特征和連續(xù)特征并進行處理 175
6.4.2  將樣本全集分割為訓練樣本和測試樣本 175
6.5  建立多元Logistic回歸算法模型 175
6.5.1  模型估計 176
6.5.2  模型性能分析 176
6.6  習題 179
第7章  判別分析算法 180
7.1  判別分析算法的基本原理 180
7.1.1  線性判別分析的基本原理 180
7.1.2  線性判別分析的算法過程 181
7.1.3  二次判別分析的基本原理 182
7.2  數(shù)據(jù)準備 183
7.2.1  導(dǎo)入分析所需要的模塊和函數(shù) 184
7.2.2  線性判別分析降維優(yōu)勢展示 185
7.2.3  數(shù)據(jù)讀取及觀察 187
7.3  特征變量相關(guān)性分析 188
7.4  使用樣本全集開展線性判別分析 189
7.4.1  模型估計及性能分析 189
7.4.2  運用兩個特征變量繪制LDA決策邊界圖 192
7.5  使用分割樣本開展線性判別分析 193
7.6  使用分割樣本開展二次判別分析 195
7.6.1  模型估計 195
7.6.2  運用兩個特征變量繪制QDA決策邊界圖 196
7.7  習題 197
第8章  樸素貝葉斯算法 198
8.1  樸素貝葉斯算法的基本原理 198
8.1.1  貝葉斯方法的基本原理 198
8.1.2  貝葉斯定理 199
8.1.3  樸素貝葉斯算法的基本原理 201
8.1.4  拉普拉斯修正 202
8.1.5  樸素貝葉斯算法分類及適用條件 202
8.2  數(shù)據(jù)準備 203
8.2.1  案例數(shù)據(jù)說明 203
8.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 205
8.3  高斯樸素貝葉斯算法示例 205
8.3.1  數(shù)據(jù)讀取及觀察 206
8.3.2  將樣本全集分割為訓練樣本和測試樣本 207
8.3.3  高斯樸素貝葉斯算法擬合 207
8.3.4  繪制ROC曲線 207
8.3.5  運用兩個特征變量繪制高斯樸素貝葉斯決策邊界圖 208
8.4  多項式、補集、二項式樸素貝葉斯算法示例 208
8.4.1  數(shù)據(jù)讀取及觀察 209
8.4.2  將樣本全集分割為訓練樣本和測試樣本 209
8.4.3  多項式、補集、二項式樸素貝葉斯算法擬合 210
8.4.4  尋求二項式樸素貝葉斯算法擬合的最優(yōu)參數(shù) 210
8.4.5  最優(yōu)二項式樸素貝葉斯算法模型性能評價 213
8.5  習題 214
第9章  高維數(shù)據(jù)懲罰回歸算法 216
9.1  高維數(shù)據(jù)懲罰回歸算法簡介 216
9.1.1  高維數(shù)據(jù)懲罰回歸算法的基本原理 216
9.1.2  嶺回歸 217
9.1.3  Lasso回歸 217
9.1.4  彈性網(wǎng)回歸 218
9.1.5  懲罰回歸算法的選擇 218
9.2  數(shù)據(jù)準備 218
9.2.1  導(dǎo)入分析所需要的模塊和函數(shù) 220
9.2.2  數(shù)據(jù)讀取及觀察 220
9.3  變量設(shè)置及數(shù)據(jù)處理 221
9.4  嶺回歸算法 222
9.4.1  使用默認懲罰系數(shù)構(gòu)建嶺回歸模型 222
9.4.2  使用留一交叉驗證法尋求最優(yōu)懲罰系數(shù)構(gòu)建嶺回歸模型 223
9.4.3  使用K折交叉驗證法尋求最優(yōu)懲罰系數(shù)構(gòu)建嶺回歸模型 224
9.4.4  劃分訓練樣本和測試樣本下的最優(yōu)嶺回歸模型 225
9.5  Lasso回歸算法 226
9.5.1  使用隨機選取懲罰系數(shù)構(gòu)建嶺回歸模型 226
9.5.2  使用留一交叉驗證法尋求最優(yōu)懲罰系數(shù)構(gòu)建Lasso回歸模型 227
9.5.3  使用K折交叉驗證法尋求最優(yōu)懲罰系數(shù)構(gòu)建Lasso回歸模型 227
9.5.4  劃分訓練樣本和測試樣本下的最優(yōu)Lasso回歸模型 228
9.6  彈性網(wǎng)回歸算法 229
9.6.1  使用隨機選取懲罰系數(shù)構(gòu)建彈性網(wǎng)回歸模型 229
9.6.2  使用K折交叉驗證法尋求最優(yōu)懲罰系數(shù)構(gòu)建彈性網(wǎng)回歸模型 230
9.6.3  劃分訓練樣本和測試樣本下的最優(yōu)彈性網(wǎng)回歸模型 231
9.7  習題 231
第10章  K近鄰算法 233
10.1  K近鄰算法簡介 233
10.1.1  K近鄰算法的基本原理 233
10.1.2  K值的選擇 235
10.1.3  K近鄰算法的變種 235
10.2  數(shù)據(jù)準備 236
10.2.1  案例數(shù)據(jù)說明 236
10.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 236
10.3  回歸問題K近鄰算法示例 237
10.3.1  變量設(shè)置及數(shù)據(jù)處理 237
10.3.2  構(gòu)建K近鄰回歸算法模型 237
10.3.3  如何選擇最優(yōu)的K值 238
10.3.4  最優(yōu)模型擬合效果圖形展示 239
10.4  分類問題K近鄰算法示例 240
10.4.1  變量設(shè)置及數(shù)據(jù)處理 240
10.4.2  構(gòu)建K近鄰分類算法模型 241
10.4.3  如何選擇最優(yōu)的K值 242
10.4.4  最優(yōu)模型擬合效果圖形展示 243
10.4.5  繪制K近鄰分類算法ROC曲線 243
10.4.6  運用兩個特征變量繪制K近鄰算法決策邊界圖 244
10.4.7  普通KNN算法、帶權(quán)重KNN、指定半徑KNN三種算法的對比 245
10.5  習題 246
第11章  主成分分析算法 248
11.1  主成分分析算法簡介 248
11.1.1  主成分分析算法的基本原理 248
11.1.2  主成分分析算法的數(shù)學概念 249
11.1.3  主成分的特征值 250
11.1.4  樣本的主成分得分 250
11.1.5  主成分載荷 251
11.2  數(shù)據(jù)準備 252
11.2.1  案例數(shù)據(jù)說明 252
11.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 253
11.2.3  變量設(shè)置及數(shù)據(jù)處理 253
11.2.4  特征變量相關(guān)性分析 254
11.3  主成分分析算法示例 256
11.3.1  主成分提取及特征值、方差貢獻率計算 256
11.3.2  繪制碎石圖觀察各主成分特征值 256
11.3.3  繪制碎石圖觀察各主成分方差貢獻率 257
11.3.4  繪制碎石圖觀察主成分累積方差貢獻率 258
11.3.5  計算樣本的主成分得分 258
11.3.6  繪制二維圖形展示樣本在前兩個主成分上的得分 259
11.3.7  繪制三維圖形展示樣本在前三個主成分上的得分 260
11.3.8  輸出特征向量矩陣，觀察主成分載荷 260
11.4  習題 261
第12章  聚類分析算法 262
12.1  聚類分析算法簡介 262
12.1.1  聚類分析算法的基本原理 262
12.1.2  劃分聚類分析 263
12.1.3  層次聚類分析 263
12.1.4  樣本距離的測度 265
12.2  數(shù)據(jù)準備 267
12.2.1  案例數(shù)據(jù)說明 268
12.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 268
12.2.3  變量設(shè)置及數(shù)據(jù)處理 269
12.2.4  特征變量相關(guān)性分析 270
12.3  劃分聚類分析算法示例 271
12.3.1  使用K均值聚類分析方法對樣本進行聚類（K=2） 271
12.3.2  使用K均值聚類分析方法對樣本進行聚類（K=3） 271
12.3.3  使用K均值聚類分析方法對樣本進行聚類（K=4） 272
12.4  層次聚類分析算法示例 273
12.4.1  最短聯(lián)結(jié)法聚類分析 273
12.4.2  最長聯(lián)結(jié)法聚類分析 274
12.4.3  平均聯(lián)結(jié)法聚類分析 275
12.4.4  ward聯(lián)結(jié)法聚類分析 277
12.4.5  重心聯(lián)結(jié)法聚類分析 278
12.5  習題 279
第13章  決策樹算法 280
13.1  決策樹算法簡介 280
13.1.1  決策樹算法的概念與原理 280
13.1.2  特征變量選擇及其臨界值確定方法 282
13.1.3  決策樹的剪枝 284
13.1.4  包含剪枝決策樹的損失函數(shù) 284
13.1.5  變量重要性 285
13.2  數(shù)據(jù)準備 285
13.2.1  案例數(shù)據(jù)說明 285
13.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 287
13.3  分類問題決策樹算法示例 287
13.3.1  變量設(shè)置及數(shù)據(jù)處理 287
13.3.2  未考慮成本-復(fù)雜度剪枝的決策樹分類算法模型 288
13.3.3  考慮成本-復(fù)雜度剪枝的決策樹分類算法模型 291
13.3.4  繪制圖形觀察葉節(jié)點總不純度隨alpha值的變化情況 291
13.3.5  繪制圖形觀察節(jié)點數(shù)和樹的深度隨alpha值的變化情況 292
13.3.6  繪制圖形觀察訓練樣本和測試樣本的預(yù)測準確率隨alpha值的變化情況 293
13.3.7  通過10折交叉驗證法尋求最優(yōu)alpha值 294
13.3.8  決策樹特征變量重要性水平分析 295
13.3.9  繪制ROC曲線 296
13.3.10  運用兩個特征變量繪制決策樹算法決策邊界圖 297
13.4  回歸問題決策樹算法示例 298
13.4.1  變量設(shè)置及數(shù)據(jù)處理 298
13.4.2  未考慮成本-復(fù)雜度剪枝的決策樹回歸算法模型 299
13.4.3  考慮成本-復(fù)雜度剪枝的決策樹回歸算法模型 300
13.4.4  繪制圖形觀察葉節(jié)點總均方誤差隨alpha值的變化情況 300
13.4.5  繪制圖形觀察節(jié)點數(shù)和樹的深度隨alpha值的變化情況 301
13.4.6  繪制圖形觀察訓練樣本和測試樣本的擬合優(yōu)度隨alpha值的變化情況 302
13.4.7  通過10折交叉驗證法尋求最優(yōu)alpha值并開展特征變量重要性水平分析 302
13.4.8  最優(yōu)模型擬合效果圖形展示 304
13.4.9  構(gòu)建線性回歸算法模型進行對比 305
13.5  習題 305
第14章  隨機森林算法 307
14.1  隨機森林算法的基本原理 307
14.1.1  集成學習的概念與分類 307
14.1.2  裝袋法的概念與原理 308
14.1.3  隨機森林算法的概念與原理 309
14.1.4  隨機森林算法特征變量重要性量度 309
14.1.5  部分依賴圖與個體條件期望圖 309
14.2  數(shù)據(jù)準備 310
14.2.1  案例數(shù)據(jù)說明 310
14.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 310
14.3  分類問題隨機森林算法示例 311
14.3.1  變量設(shè)置及數(shù)據(jù)處理 311
14.3.2  二元Logistic回歸、單棵分類決策樹算法觀察 311
14.3.3  裝袋法分類算法 312
14.3.4  隨機森林分類算法 313
14.3.5  尋求max_features最優(yōu)參數(shù) 313
14.3.6  尋求n_estimators最優(yōu)參數(shù) 314
14.3.7  隨機森林特征變量重要性水平分析 316
14.3.8  繪制部分依賴圖與個體條件期望圖 316
14.3.9  模型性能評價 318
14.3.10  繪制ROC曲線 319
14.3.11  運用兩個特征變量繪制隨機森林算法決策邊界圖 320
14.4  回歸問題隨機森林算法示例 320
14.4.1  變量設(shè)置及數(shù)據(jù)處理 320
14.4.2  線性回歸、單棵回歸決策樹算法觀察 321
14.4.3  裝袋法回歸算法 321
14.4.4  隨機森林回歸算法 322
14.4.5  尋求max_features最優(yōu)參數(shù) 322
14.4.6  尋求n_estimators最優(yōu)參數(shù) 323
14.4.7  隨機森林特征變量重要性水平分析 325
14.4.8  繪制部分依賴圖與個體條件期望圖 325
14.4.9  最優(yōu)模型擬合效果圖形展示 326
14.5  習題 327
第15章  提升法 329
15.1  提升法的基本原理 329
15.1.1  提升法的概念與原理 329
15.1.2  AdaBoost（自適應(yīng)提升法） 330
15.1.3  梯度提升法（Gradient Boosting Machine） 331
15.1.4  回歸問題損失函數(shù) 332
15.1.5  分類問題損失函數(shù) 336
15.1.6  隨機梯度提升法 337
15.1.7  XGBoost算法 338
15.2  數(shù)據(jù)準備 338
15.2.1  案例數(shù)據(jù)說明 338
15.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 340
15.3  回歸提升法示例 340
15.3.1  變量設(shè)置及數(shù)據(jù)處理 340
15.3.2  線性回歸算法觀察 341
15.3.3  回歸提升法（默認參數(shù)） 341
15.3.4  使用隨機搜索尋求最優(yōu)參數(shù) 341
15.3.5  繪制圖形觀察模型均方誤差隨弱學習器數(shù)量變化的情況 342
15.3.6  繪制圖形觀察模型擬合優(yōu)度隨弱學習器數(shù)量變化的情況 343
15.3.7  回歸問題提升法特征變量重要性水平分析 344
15.3.8  繪制部分依賴圖與個體條件期望圖 345
15.3.9  最優(yōu)模型擬合效果圖形展示 346
15.3.10  XGBoost回歸提升法 347
15.4  二分類提升法示例 349
15.4.1  變量設(shè)置及數(shù)據(jù)處理 349
15.4.2   AdaBoost算法 349
15.4.3  二分類提升法（默認參數(shù)） 349
15.4.4  使用隨機搜索尋求最優(yōu)參數(shù) 350
15.4.5  二分類問題提升法特征變量重要性水平分析 350
15.4.6  繪制部分依賴圖與個體條件期望圖 351
15.4.7  模型性能評價 352
15.4.8  繪制ROC曲線 354
15.4.9  運用兩個特征變量繪制二分類提升法決策邊界圖 354
15.4.10  XGBoost二分類提升法 355
15.5  多分類提升法示例 356
15.5.1  變量設(shè)置及數(shù)據(jù)處理 356
15.5.2  多元Logistic回歸算法觀察 357
15.5.3  多分類提升法（默認參數(shù)） 357
15.5.4  使用隨機搜索尋求最優(yōu)參數(shù) 357
15.5.5  多分類問題提升法特征變量重要性水平分析 358
15.5.6  繪制部分依賴圖與個體條件期望圖 359
15.5.7  模型性能評價 360
15.5.8  XGBoost多分類提升法 362
15.6  習題 362
第16章  支持向量機算法 364
16.1  支持向量機算法的基本原理 364
16.1.1  線性可分 364
16.1.2  硬間隔分類器的概念與原理解釋 365
16.1.3  硬間隔分類器的求解步驟 367
16.1.4  軟間隔分類器的概念與原理解釋 368
16.1.5  軟間隔分類器的求解步驟 369
16.1.6  核函數(shù) 370
16.1.7  多分類問題支持向量機 372
16.1.8  支持向量回歸 373
16.2  數(shù)據(jù)準備 375
16.2.1  案例數(shù)據(jù)說明 375
16.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 375
16.3  回歸支持向量機算法示例 376
16.3.1  變量設(shè)置及數(shù)據(jù)處理 376
16.3.2  回歸支持向量機算法（默認參數(shù)） 376
16.3.3  通過10折交叉驗證尋求最優(yōu)參數(shù) 377
16.3.4  最優(yōu)模型擬合效果圖形展示 378
16.4  二分類支持向量機算法示例 379
16.4.1  變量設(shè)置及數(shù)據(jù)處理 379
16.4.2  二分類支持向量機算法（默認參數(shù)） 379
16.4.3  通過10折交叉驗證尋求最優(yōu)參數(shù) 380
16.4.4  模型性能評價 381
16.4.5  繪制ROC曲線 382
16.4.6  運用兩個特征變量繪制二分類支持向量機算法決策邊界圖 383
16.5  多分類支持向量機算法示例 386
16.5.1  變量設(shè)置及數(shù)據(jù)處理 386
16.5.2  多分類支持向量機算法（一對一） 387
16.5.3  多分類支持向量機算法（默認參數(shù)） 388
16.5.4  通過10折交叉驗證尋求最優(yōu)參數(shù) 389
16.5.5  模型性能評價 390
16.6  習題 391
第17章  神經(jīng)網(wǎng)絡(luò)算法 393
17.1  神經(jīng)網(wǎng)絡(luò)算法的基本原理 393
17.1.1  神經(jīng)網(wǎng)絡(luò)算法的基本思想 393
17.1.2  感知機 395
17.1.3  多層感知機 398
17.1.4  神經(jīng)元激活函數(shù) 400
17.1.5  誤差反向傳播算法（BP算法） 405
17.1.6  萬能近似定理及多隱藏層優(yōu)勢 408
17.1.7  BP算法過擬合問題的解決 408
17.2  數(shù)據(jù)準備 410
17.2.1  案例數(shù)據(jù)說明 410
17.2.2  導(dǎo)入分析所需要的模塊和函數(shù) 411
17.3  回歸神經(jīng)網(wǎng)絡(luò)算法示例 411
17.3.1  變量設(shè)置及數(shù)據(jù)處理 411
17.3.2  單隱藏層的多層感知機算法 412
17.3.3  神經(jīng)網(wǎng)絡(luò)特征變量重要性水平分析 413
17.3.4  繪制部分依賴圖與個體條件期望圖 414
17.3.5  擬合優(yōu)度隨神經(jīng)元個數(shù)變化的可視化展示 415
17.3.6  通過K折交叉驗證尋求單隱藏層最優(yōu)神經(jīng)元個數(shù) 416
17.3.7  雙隱藏層的多層感知機算法 417
17.3.8  最優(yōu)模型擬合效果圖形展示 417
17.4  二分類神經(jīng)網(wǎng)絡(luò)算法示例 418
17.4.1  變量設(shè)置及數(shù)據(jù)處理 418
17.4.2  單隱藏層二分類問題神經(jīng)網(wǎng)絡(luò)算法 419
17.4.3  雙隱藏層二分類問題神經(jīng)網(wǎng)絡(luò)算法 420
17.4.4  早停策略減少過擬合問題 420
17.4.5  正則化（權(quán)重衰減）策略減少過擬合問題 420
17.4.6  模型性能評價 421
17.4.7  繪制ROC曲線 422
17.4.8  運用兩個特征變量繪制二分類神經(jīng)網(wǎng)絡(luò)算法決策邊界圖 423
17.5  多分類神經(jīng)網(wǎng)絡(luò)算法示例 423
17.5.1  變量設(shè)置及數(shù)據(jù)處理 424
17.5.2  單隱藏層多分類問題神經(jīng)網(wǎng)絡(luò)算法 424
17.5.3  雙隱藏層多分類問題神經(jīng)網(wǎng)絡(luò)算法 424
17.5.4  模型性能評價 425
17.5.5  運用兩個特征變量繪制多分類神經(jīng)網(wǎng)絡(luò)算法決策邊界圖 426
17.6  習題 427