機(jī)器學(xué)習(xí)與R語(yǔ)言（原書(shū)第3版）

譯者序
前　言
第1章　機(jī)器學(xué)習(xí)簡(jiǎn)介 1
1.1　機(jī)器學(xué)習(xí)的起源 1
1.2　機(jī)器學(xué)習(xí)的使用與濫用 2
1.2.1　機(jī)器學(xué)習(xí)的成功應(yīng)用 3
1.2.2　機(jī)器學(xué)習(xí)的限制 4
1.2.3　機(jī)器學(xué)習(xí)的倫理方面 5
1.3　機(jī)器如何學(xué)習(xí) 7
1.3.1　數(shù)據(jù)存儲(chǔ) 8
1.3.2　抽象化 8
1.3.3　一般化 10
1.3.4　評(píng)估 11
1.4　實(shí)踐中的機(jī)器學(xué)習(xí) 12
1.4.1　輸入數(shù)據(jù)的類型 13
1.4.2　機(jī)器學(xué)習(xí)算法的類型 14
1.4.3　為輸入數(shù)據(jù)匹配算法 15
1.5　使用R進(jìn)行機(jī)器學(xué)習(xí) 16
1.5.1　安裝R添加包 17
1.5.2　載入和卸載R添加包 18
1.5.3　安裝RStudio 18
1.6　總結(jié) 19
第2章　管理和理解數(shù)據(jù) 20
2.1　R數(shù)據(jù)結(jié)構(gòu) 20
2.1.1　向量 20
2.1.2　因子 22
2.1.3　列表 23
2.1.4　數(shù)據(jù)框 25
2.1.5　矩陣和數(shù)組 27
2.2　用R管理數(shù)據(jù) 28
2.2.1　保存、載入和移除R數(shù)據(jù)結(jié)構(gòu) 29
2.2.2　從CSV文件導(dǎo)入數(shù)據(jù)和將數(shù)據(jù)保存為CSV文件 29
2.3　探索和理解數(shù)據(jù) 31
2.3.1　探索數(shù)據(jù)的結(jié)構(gòu) 31
2.3.2　探索數(shù)值變量 32
2.3.3　探索分類變量 40
2.3.4　探索變量之間的關(guān)系 41
2.4　總結(jié) 44
第3章　懶惰學(xué)習(xí)——使用近鄰分類 46
3.1　理解近鄰分類 46
3.1.1　k近鄰算法 47
3.1.2　為什么k-NN算法是懶惰的 52
3.2　例子—用k-NN算法診斷乳腺癌 53
3.2.1　第1步—收集數(shù)據(jù) 53
3.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù) 54
3.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型 57
3.2.4　第4步—評(píng)估模型的性能 58
3.2.5　第5步—提高模型的性能 59
3.3　總結(jié) 61
第4章　概率學(xué)習(xí)——樸素貝葉斯分類 62
4.1　理解樸素貝葉斯 62
4.1.1　貝葉斯方法的基本概念 63
4.1.2　樸素貝葉斯算法 67
4.2　例子—基于貝葉斯算法的手機(jī)垃圾短信過(guò)濾 72
4.2.1　第1步—收集數(shù)據(jù) 72
4.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù) 73
4.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型 84
4.2.4　第4步—評(píng)估模型的性能 85
4.2.5　第5步—提高模型的性能 86
4.3　總結(jié) 87
第5章　分而治之——應(yīng)用決策樹(shù)和規(guī)則進(jìn)行分類 88
5.1　理解決策樹(shù) 88
5.1.1　分而治之 89
5.1.2　C5.0決策樹(shù)算法 92
5.2　例子—使用C5.0決策樹(shù)識(shí)別高風(fēng)險(xiǎn)銀行貸款 95
5.2.1　第1步—收集數(shù)據(jù) 95
5.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù) 95
5.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型 98
5.2.4　第4步—評(píng)估模型的性能 100
5.2.5　第5步—提高模型的性能 100
5.3　理解分類規(guī)則 104
5.3.1　獨(dú)立而治之 104
5.3.2　1R算法 106
5.3.3　RIPPER算法 108
5.3.4　來(lái)自決策樹(shù)的規(guī)則 109
5.3.5　什么使決策樹(shù)和規(guī)則貪婪 110
5.4　例子—應(yīng)用規(guī)則學(xué)習(xí)算法識(shí)別有毒的蘑菇 111
5.4.1　第1步—收集數(shù)據(jù) 111
5.4.2　第2步—探索和準(zhǔn)備數(shù)據(jù) 112
5.4.3　第3步—基于數(shù)據(jù)訓(xùn)練模型 112
5.4.4　第4步—評(píng)估模型的性能 114
5.4.5　第5步—提高模型的性能 115
5.5　總結(jié) 117
第6章　預(yù)測(cè)數(shù)值型數(shù)據(jù)——回歸方法 118
6.1　理解回歸 118
6.1.1　簡(jiǎn)單線性回歸 120
6.1.2　普通最小二乘估計(jì) 122
6.1.3　相關(guān)性 123
6.1.4　多元線性回歸 124
6.2　例子—應(yīng)用線性回歸預(yù)測(cè)醫(yī)療費(fèi)用 127
6.2.1　第1步—收集數(shù)據(jù) 128
6.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù) 128
6.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型 132
6.2.4　第4步—評(píng)估模型的性能 134
6.2.5　第5步—提高模型的性能 135
6.2.6　第6步—用回歸模型進(jìn)行預(yù)測(cè) 138
6.3　理解回歸樹(shù)和模型樹(shù) 140
6.4　例子—用回歸樹(shù)和模型樹(shù)估計(jì)葡萄酒的質(zhì)量 142
6.4.1　第1步—收集數(shù)據(jù) 142
6.4.2　第2步—探索和準(zhǔn)備數(shù)據(jù) 143
6.4.3　第3步—基于數(shù)據(jù)訓(xùn)練模型 144
6.4.4　第4步—評(píng)估模型的性能 147
6.4.5　第5步—提高模型的性能 149
6.5　總結(jié) 151
第7章　黑箱方法—神經(jīng)網(wǎng)絡(luò)和支持向量機(jī) 152
7.1　理解神經(jīng)網(wǎng)絡(luò) 152
7.1.1　從生物神經(jīng)元到人工神經(jīng)元 153
7.1.2　激活函數(shù) 154
7.1.3　網(wǎng)絡(luò)拓?fù)?156
7.1.4　用后向傳播訓(xùn)練神經(jīng)網(wǎng)絡(luò) 159
7.2　例子—用人工神經(jīng)網(wǎng)絡(luò)對(duì)混凝土的強(qiáng)度進(jìn)行建模 160
7.2.1　第1步—收集數(shù)據(jù) 161
7.2.2　第2步—探索和準(zhǔn)備數(shù)據(jù) 161
7.2.3　第3步—基于數(shù)據(jù)訓(xùn)練模型 162
7.2.4　第4步—評(píng)估模型的性能 164
7.2.5　第5步—提高模型的性能 165
7.3　理解支持向量機(jī) 169
7.3.1　用超平面分類 169
7.3.2　對(duì)非線性空間使用核函數(shù) 173
7.4　例子—用支持向量機(jī)進(jìn)行光學(xué)字符識(shí)別 175
7.4.1　第1步—收集數(shù)據(jù) 175
7.4.2　第2步—探索和準(zhǔn)備數(shù)據(jù) 176
7.4.3　第3步—基于數(shù)據(jù)訓(xùn)練模型 177
7.4.4　第4步—評(píng)估模型的性能 179
7.4.5　第5步—提高模型的性能 180
7.5　總結(jié) 182
第8章　探尋模式——基于關(guān)聯(lián)規(guī)則的購(gòu)物籃分析 183
8.1　理解關(guān)聯(lián)規(guī)則 183
8.1.1　用于關(guān)聯(lián)規(guī)則學(xué)