互联网 类型
可以朗读 语音朗读
289千字 字数
2022-07-01 发行日期
展开全部

主编推荐语

本书通过原理解析、应用示例和完整的代码实现详细讲解决策树算法。

内容简介

决策树是数据分析中广泛使用的机器学习模型，其模型简单、算法快速且具有可解释性。但随着大数据的涌现，将决策树真正应用到实践中还面临诸多困难。本书正是为解决这一痛点而作，旨在帮助读者系统且全面地了解决策树，并成功地将其用于工程实践。

目录

  • 版权信息
  • 作者简介
  • 赞誉
  • 推荐序一
  • 推荐序二
  • 推荐序三
  • 前言
  • 第1章 决策树与人工智能
  • 1.1 决策与智能
  • 1.2 决策树算法的起源
  • 1.3 决策树的核心术语
  • 1.4 决策树的可解释性
  • 1.5 作为决策分析工具的决策树
  • 1.5.1 决策分析
  • 1.5.2 基于决策分析流程的决策树
  • 1.6 作为机器学习算法的决策树
  • 1.6.1 机器学习算法的类型
  • 1.6.2 基于数据的决策树
  • 1.6.3 决策树算法面临的基本问题
  • 1.6.4 基于规则的机器学习
  • 1.7 作为特征学习与决策融合的决策树
  • 1.8 参考文献
  • 第2章 经典决策树算法
  • 2.1 经典决策树应用的一般流程
  • 2.1.1 缺失值的处理
  • 2.1.2 连续数值属性的离散化处理
  • 2.2 CART算法
  • 2.2.1 基尼不纯度、基尼增益与基尼指数
  • 2.2.2 CART分类决策树的原理
  • 2.2.3 CART分类决策树的编程实践
  • 2.2.4 回归问题与回归算法
  • 2.2.5 CART回归决策树的特征和分割点选择准则
  • 2.2.6 CART回归决策树的原理
  • 2.2.7 CART回归决策树的编程实践
  • 2.3 ID3算法
  • 2.3.1 信息熵与信息增益
  • 2.3.2 ID3算法示例
  • 2.3.3 ID3算法的编程实践
  • 2.4 C4.5算法
  • 2.4.1 信息增益率
  • 2.4.2 连续属性的处理
  • 2.4.3 缺失值的处理
  • 2.4.4 基于C4.5算法处理连续属性生成分类决策树的示例
  • 2.4.5 C4.5算法的后续改进——C5.0算法
  • 2.5 决策树的评估
  • 2.6 决策树的5种可视化方法
  • 2.7 小结
  • 2.8 参考文献
  • 第3章 决策树的剪枝
  • 3.1 代价复杂度剪枝
  • 3.1.1 CCP算法的基本原理
  • 3.1.2 CCP算法的编程实践
  • 3.1.3 基于sklearn的CCP示例
  • 3.2 错误率降低剪枝
  • 3.2.1 REP算法的基本原理
  • 3.2.2 REP算法的编程实践
  • 3.3 悲观错误剪枝
  • 3.3.1 PEP算法的基本原理
  • 3.3.2 PEP算法的编程实践
  • 3.4 最小错误剪枝
  • 3.4.1 MEP算法的基本原理
  • 3.4.2 MEP算法的编程实践
  • 3.5 其他决策树剪枝算法简介
  • 3.6 小结
  • 3.7 参考文献
  • 第4章 随机森林
  • 4.1 随机森林的基本原理
  • 4.1.1 构造随机森林的步骤
  • 4.1.2 随机森林的简单示例
  • 4.1.3 基于sklearn的随机森林编程示例
  • 4.1.4 选择最优的随机特征属性数量
  • 4.2 套袋法
  • 4.2.1 套袋法的算法流程
  • 4.2.2 套袋法的偏差和方差
  • 4.2.3 套袋法的优缺点
  • 4.3 随机森林的参数设置与调优
  • 4.3.1 sklearn随机森林的参数
  • 4.3.2 调参示例
  • 4.3.3 OOB错误率与交叉验证
  • 4.4 随机森林的优缺点
  • 4.5 使用随机森林进行特征属性的重要性区分的示例
  • 4.5.1 基于基尼指数的特征属性重要性评估
  • 4.5.2 基于袋外数据错误率的特征属性重要性评估
  • 4.6 使用随机森林进行无监督聚类的示例
  • 4.7 使用随机森林进行回归分析的示例
  • 4.8 随机森林与核方法的结合
  • 4.9 小结
  • 4.10 参考文献
  • 第5章 集成学习方法
  • 5.1 提升法
  • 5.1.1 AdaBoost算法原理
  • 5.1.2 AdaBoost算法实现
  • 5.1.3 AdaBoost算法的编程实践——基于sklearn解决分类问题
  • 5.1.4 AdaBoost算法的编程实践——基于sklearn解决回归问题
  • 5.1.5 提升法的分类、优点和挑战
  • 5.2 梯度提升法
  • 5.2.1 梯度提升法的原理和示例
  • 5.2.2 梯度提升决策树
  • 5.2.3 梯度提升分类决策树
  • 5.2.4 梯度提升回归决策树
  • 5.2.5 随机梯度提升树
  • 5.2.6 基于梯度提升法的机器学习库
  • 5.3 堆叠法
  • 5.3.1 简单的二阶段堆叠算法
  • 5.3.2 基于K折交叉验证的二阶段堆叠法
  • 5.3.3 基于sklearn的K折交叉验证的二阶段堆叠法的编程实践
  • 5.3.4 多阶段堆叠模型
  • 5.4 套袋法、提升法、堆叠法的比较
  • 5.5 小结
  • 5.6 参考文献
  • 第6章 并行决策树
  • 6.1 随机森林的并行化
  • 6.2 XGBoost基础
  • 6.2.1 XGBoost核心原理
  • 6.2.2 XGBoost系统设计及其并行化加速
  • 6.2.3 XGBoost编程基础
  • 6.2.4 XGBoost回归问题编程
  • 6.2.5 XGBoost分类问题编程
  • 6.2.6 XGBoost随机森林编程
  • 6.2.7 XGBoost特征筛选编程
  • 6.2.8 XGBoost与传统提升树的比较
  • 6.2.9 XGBoost的缺点
  • 6.3 LightGBM基础
  • 6.3.1 LightGBM核心原理
  • 6.3.2 LightGBM系统设计及其并行化加速
  • 6.3.3 LigthGBM编程基础
  • 6.3.4 LightGBM与sklearn结合的示例
  • 6.3.5 LightGBM回归问题编程
  • 6.3.6 LightGBM分类问题编程
  • 6.3.7 LightGBM的优缺点
  • 6.4 CatBoost基础
  • 6.4.1 CatBoost核心原理
  • 6.4.2 CatBoost系统设计及其并行化加速
  • 6.4.3 CatBoost编程基础
  • 6.4.4 CatBoost分类问题编程（不带分类特征属性）
  • 6.4.5 CatBoost回归问题编程（不带分类特征属性）
  • 6.4.6 CatBoost回归问题编程（带分类特征属性）
  • 6.4.7 CatBoost的优缺点
  • 6.4.8 XGBoost、LightGBM、CatBoost的比较
  • 6.5 NGBoost简介
  • 6.6 小结
  • 6.7 参考文献
  • 第7章 蚁群决策树
  • 7.1 蚁群元启发式算法
  • 7.1.1 典型蚁群算法
  • 7.1.2 MMAS算法
  • 7.1.3 ACS算法
  • 7.2 基于蚁群的分类规则提取
  • 7.2.1 Ant-Miner规则提取方法
  • 7.2.2 Ant-Miner算法实现
  • 7.2.3 Ant-Miner算法的早期变种
  • 7.2.4 MYRA——开源实现
  • 7.2.5 Ant-MinerMA+G算法
  • 7.2.6 AMclr算法
  • 7.3 蚁群决策树的算法原理
  • 7.3.1 Ant-Tree-Miner决策树生成算法
  • 7.3.2 ACDT算法
  • 7.4 自适应蚁群决策森林
  • 7.4.1 自适应ACDF算法
  • 7.4.2 ACDF算法中的长期提升
  • 7.5 小结
  • 7.6 参考文献
  • 第8章 深度决策树
  • 8.1 深度森林
  • 8.1.1 gcForest的基本原理
  • 8.1.2 gcForest的编程实践
  • 8.1.3 DF21开源库
  • 8.1.4 改进的深度森林模型
  • 8.2 深度神经决策树
  • 8.2.1 DNDT的基本原理
  • 8.2.2 DNDT的编程实践
  • 8.3 自适应神经决策树
  • 8.3.1 ANT的基本原理
  • 8.3.2 ANT的编程实践
  • 8.4 神经支持决策树
  • 8.4.1 NBDT的基本原理
  • 8.4.2 NBDT的编程实践
  • 8.5 深度神经决策森林
  • 8.5.1 dNDF的基本原理
  • 8.5.2 dNDF模型的优缺点
  • 8.5.3 dNDF的编程实践
  • 8.6 小结
  • 8.7 参考文献
展开全部

评分及书评

评分不足
1个评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。