最新章節

• 看完了
• 封面介紹
• 作者介紹
• 擴展閱讀
• 7.6 小結
• 7.5.4 混合數據聚類中的問題

• 看完了 更新時間：2021-10-26 11:06:38
• 封面介紹
• 作者介紹
• 擴展閱讀
• 7.6 小結
• 7.5.4 混合數據聚類中的問題
• 7.5.3 分類數據和Gower距離
• 7.5.2 主導變量
• 7.5.1 縮放變量
• 7.5 數據縮放與分類變量
• 7.4.4 擴展閱讀
• 7.4.3 選擇簇的數量
• 7.4.2 混合正態分布
• 7.4.1 多元正態分布
• 7.4 基于模型的聚類
• 7.3.4 測量相異度
• 7.3.3 凝聚算法
• 7.3.2 樹狀圖
• 7.3.1 一個簡單的例子
• 7.3 層次聚類
• 7.2.4 選擇簇的數量
• 7.2.3 簇的解釋
• 7.2.2 K-均值算法
• 7.2.1 一個簡單的例子
• 7.2 K-均值聚類
• 7.1.5 擴展閱讀
• 7.1.4 對應分析
• 7.1.3 解釋主成分
• 7.1.2 計算主成分
• 7.1.1 一個簡單的例子
• 7.1 主成分分析
• 第 7 章 無監督學習
• 6.5 小結
• 6.4.4 超參數與交叉驗證
• 6.4.3 正則化：避免過擬合
• 6.4.2 XGBoost
• 6.4.1 提升算法
• 6.4 提升方法
• 6.3.4 超參數
• 6.3.3 變量的重要性
• 6.3.2 隨機森林
• 6.3.1 裝袋法
• 6.3 裝袋法與隨機森林
• 6.2.7 擴展閱讀
• 6.2.6 如何使用樹
• 6.2.5 預測連續的值
• 6.2.4 讓樹停止生長
• 6.2.3 測量同質性或不純度
• 6.2.2 遞歸分割算法
• 6.2.1 一個簡單的例子
• 6.2 樹模型
• 6.1.6 KNN作為特征引擎
• 6.1.5 K 的選擇
• 6.1.4 標準化（歸一化，z分數）
• 6.1.3 獨熱編碼
• 6.1.2 距離的度量
• 6.1.1 一個小例子：預測貸款違約
• 6.1 KNN
• 第 6 章 統計機器學習
• 5.6 小結
• 5.5.6 擴展閱讀
• 5.5.5 探索預測結果
• 5.5.4 基于成本的分類
• 5.5.3 數據生成
• 5.5.2 過采樣與上（下）加權
• 5.5.1 欠采樣
• 5.5 非平衡數據的處理策略
• 5.4.7 擴展閱讀
• 5.4.6 提升度
• 5.4.5 AUC
• 5.4.4 ROC曲線
• 5.4.3 精確度、召回率和特異度
• 5.4.2 稀有類問題
• 5.4.1 混淆矩陣
• 5.4 分類模型評估
• 5.3.8 擴展閱讀
• 5.3.7 評估模型
• 5.3.6 線性回歸與邏輯回歸：共性與差異
• 5.3.5 系數和優勢比的解釋
• 5.3.4 邏輯回歸的預測值
• 5.3.3 廣義線性模型
• 5.3.2 邏輯回歸和廣義線性模型
• 5.3.1 邏輯響應函數和logit函數
• 5.3 邏輯回歸
• 5.2.4 擴展閱讀
• 5.2.3 一個簡單的例子
• 5.2.2 費希爾線性判別分析
• 5.2.1 協方差矩陣
• 5.2 判別分析
• 5.1.4 擴展閱讀
• 5.1.3 數值型預測變量
• 5.1.2 樸素貝葉斯問題求解
• 5.1.1 為什么進行精確貝葉斯分類是不現實的
• 5.1 樸素貝葉斯算法
• 第 5 章 分類
• 4.8 小結
• 4.7.4 擴展閱讀
• 4.7.3 廣義可加模型
• 4.7.2 樣條回歸
• 4.7.1 多項式回歸
• 4.7 多項式回歸與樣條回歸
• 4.6.4 偏殘差圖與非線性
• 4.6.3 異方差、非正態與相關誤差
• 4.6.2 強影響值
• 4.6.1 離群點
• 4.6 回歸診斷
• 4.5.4 交互作用與主效應
• 4.5.3 混淆變量
• 4.5.2 多重共線性
• 4.5.1 相關的預測變量
• 4.5 解釋回歸方程
• 4.4.3 有序因子變量
• 4.4.2 多水平因子變量
• 4.4.1 虛擬變量的表示方法
• 4.4 回歸中的因子變量
• 4.3.2 置信區間與預測區間
• 4.3.1 外推風險
• 4.3 使用回歸進行預測
• 4.2.6 擴展閱讀
• 4.2.5 加權回歸
• 4.2.4 模型選擇與逐步回歸
• 4.2.3 交叉驗證
• 4.2.2 模型評估
• 4.2.1 示例：金縣房屋數據
• 4.2 多元線性回歸
• 4.1.5 擴展閱讀
• 4.1.4 預測與解釋（分析）
• 4.1.3 最小二乘法
• 4.1.2 擬合值與殘差
• 4.1.1 回歸方程
• 4.1 簡單線性回歸
• 第 4 章 回歸與預測
• 3.12 小結
• 3.11.2 擴展閱讀
• 3.11.1 樣本容量
• 3.11 檢驗力與樣本容量
• 擴展閱讀
• 3.10 多臂老虎機算法
• 3.9.5 擴展閱讀
• 3.9.4 與數據科學的關聯
• 3.9.3 費希爾精確檢驗
• 3.9.2 卡方檢驗：統計理論
• 3.9.1 卡方檢驗：一種重抽樣方法
• 3.9 卡方檢驗
• 3.8.3 擴展閱讀
• 3.8.2 雙向ANOVA
• 3.8.1 F統計量
• 3.8 ANOVA
• 擴展閱讀
• 3.7 自由度
• 擴展閱讀
• 3.6 多重檢驗
• 擴展閱讀
• 3.5 t檢驗
• 3.4.5 擴展閱讀
• 3.4.4 數據科學與p值
• 3.4.3 第一類錯誤和第二類錯誤
• 3.4.2 α
• 3.4.1 p值
• 3.4 統計顯著性和p值
• 3.3.5 擴展閱讀
• 3.3.4 置換檢驗：數據科學的底線
• 3.3.3 窮盡置換檢驗和Bootstrap置換檢驗
• 3.3.2 示例：Web黏性
• 3.3.1 置換檢驗
• 3.3 重抽樣
• 3.2.4 擴展閱讀
• 3.2.3 單向假設檢驗與雙向假設檢驗
• 3.2.2 備擇假設
• 3.2.1 零假設
• 3.2 假設檢驗
• 3.1.3 擴展閱讀
• 3.1.2 為什么只有A/B，沒有C/D……
• 3.1.1 為什么要有對照組
• 3.1 A/B測試
• 第 3 章 統計實驗與顯著性檢驗
• 2.13 小結
• 2.12.5 擴展閱讀
• 2.12.4 韋布爾分布
• 2.12.3 估計故障率
• 2.12.2 指數分布
• 2.12.1 泊松分布
• 2.12 泊松及其相關分布
• 擴展閱讀
• 2.11 F分布
• 擴展閱讀
• 2.10 卡方分布
• 擴展閱讀
• 2.9 二項分布
• 擴展閱讀
• 2.8 學生的t分布
• 擴展閱讀
• 2.7 長尾分布
• 標準正態分布與QQ圖
• 2.6 正態分布
• 擴展閱讀
• 2.5 置信區間
• 2.4.2 擴展閱讀
• 2.4.1 重抽樣與Bootstrap方法
• 2.4 Bootstrap方法
• 2.3.3 擴展閱讀
• 2.3.2 標準誤差
• 2.3.1 中心極限定理
• 2.3 統計量的抽樣分布
• 2.2.2 擴展閱讀
• 2.2.1 均值回歸
• 2.2 選擇偏差
• 2.1.5 擴展閱讀
• 2.1.4 樣本均值與總體均值
• 2.1.3 數量和質量：什么時候數量更重要
• 2.1.2 隨機選擇
• 2.1.1 偏差
• 2.1 隨機抽樣和樣本偏差
• 第 2 章 數據與抽樣分布
• 1.9 小結
• 1.8.5 擴展閱讀
• 1.8.4 多個變量的可視化
• 1.8.3 分類型數據和數值型數據
• 1.8.2 兩個分類變量
• 1.8.1 六邊形分箱圖和等高線圖（繪制數值型數據之間的關系）
• 1.8 探索兩個及以上的變量
• 1.7.2 擴展閱讀
• 1.7.1 散點圖
• 1.7 相關性
• 1.6.4 擴展閱讀
• 1.6.3 概率
• 1.6.2 期望值
• 1.6.1 眾數
• 1.6 探索二元數據和分類型數據
• 1.5.4 擴展閱讀
• 1.5.3 密度圖和密度估計
• 1.5.2 頻數表和直方圖
• 1.5.1 百分位數與箱線圖
• 1.5 探索數據分布
• 1.4.4 擴展閱讀
• 1.4.3 示例：美國各州人口數量的變異性估計
• 1.4.2 基于百分位數的估計
• 1.4.1 標準差以及相關估計
• 1.4 變異性估計
• 1.3.4 擴展閱讀
• 1.3.3 示例：人口和謀殺率的位置估計
• 1.3.2 中位數和健壯的估計
• 1.3.1 均值
• 1.3 位置估計
• 1.2.3 擴展閱讀
• 1.2.2 非矩形數據結構
• 1.2.1 數據框和索引
• 1.2 矩形數據
• 擴展閱讀
• 1.1 結構化數據的要素
• 第 1 章 探索性數據分析
• 更多信息
• 致謝
• 聯系我們
• O'Reilly在線學習平臺（O'Reilly Online Learning）
• 使用示例代碼
• 排版約定
• 前言
• 獻詞
• 業界評論
• O'Reilly Media Inc. 介紹
• 版權聲明
• 版權信息
• 封面

• 封面
• 版權信息
• 版權聲明
• O'Reilly Media Inc. 介紹
• 業界評論
• 獻詞
• 前言
• 排版約定
• 使用示例代碼
• O'Reilly在線學習平臺（O'Reilly Online Learning）
• 聯系我們
• 致謝
• 更多信息
• 第 1 章 探索性數據分析
• 1.1 結構化數據的要素
• 擴展閱讀
• 1.2 矩形數據
• 1.2.1 數據框和索引
• 1.2.2 非矩形數據結構
• 1.2.3 擴展閱讀
• 1.3 位置估計
• 1.3.1 均值
• 1.3.2 中位數和健壯的估計
• 1.3.3 示例：人口和謀殺率的位置估計
• 1.3.4 擴展閱讀
• 1.4 變異性估計
• 1.4.1 標準差以及相關估計
• 1.4.2 基于百分位數的估計
• 1.4.3 示例：美國各州人口數量的變異性估計
• 1.4.4 擴展閱讀
• 1.5 探索數據分布
• 1.5.1 百分位數與箱線圖
• 1.5.2 頻數表和直方圖
• 1.5.3 密度圖和密度估計
• 1.5.4 擴展閱讀
• 1.6 探索二元數據和分類型數據
• 1.6.1 眾數
• 1.6.2 期望值
• 1.6.3 概率
• 1.6.4 擴展閱讀
• 1.7 相關性
• 1.7.1 散點圖
• 1.7.2 擴展閱讀
• 1.8 探索兩個及以上的變量
• 1.8.1 六邊形分箱圖和等高線圖（繪制數值型數據之間的關系）
• 1.8.2 兩個分類變量
• 1.8.3 分類型數據和數值型數據
• 1.8.4 多個變量的可視化
• 1.8.5 擴展閱讀
• 1.9 小結
• 第 2 章 數據與抽樣分布
• 2.1 隨機抽樣和樣本偏差
• 2.1.1 偏差
• 2.1.2 隨機選擇
• 2.1.3 數量和質量：什么時候數量更重要
• 2.1.4 樣本均值與總體均值
• 2.1.5 擴展閱讀
• 2.2 選擇偏差
• 2.2.1 均值回歸
• 2.2.2 擴展閱讀
• 2.3 統計量的抽樣分布
• 2.3.1 中心極限定理
• 2.3.2 標準誤差
• 2.3.3 擴展閱讀
• 2.4 Bootstrap方法
• 2.4.1 重抽樣與Bootstrap方法
• 2.4.2 擴展閱讀
• 2.5 置信區間
• 擴展閱讀
• 2.6 正態分布
• 標準正態分布與QQ圖
• 2.7 長尾分布
• 擴展閱讀
• 2.8 學生的t分布
• 擴展閱讀
• 2.9 二項分布
• 擴展閱讀
• 2.10 卡方分布
• 擴展閱讀
• 2.11 F分布
• 擴展閱讀
• 2.12 泊松及其相關分布
• 2.12.1 泊松分布
• 2.12.2 指數分布
• 2.12.3 估計故障率
• 2.12.4 韋布爾分布
• 2.12.5 擴展閱讀
• 2.13 小結
• 第 3 章 統計實驗與顯著性檢驗
• 3.1 A/B測試
• 3.1.1 為什么要有對照組
• 3.1.2 為什么只有A/B，沒有C/D……
• 3.1.3 擴展閱讀
• 3.2 假設檢驗
• 3.2.1 零假設
• 3.2.2 備擇假設
• 3.2.3 單向假設檢驗與雙向假設檢驗
• 3.2.4 擴展閱讀
• 3.3 重抽樣
• 3.3.1 置換檢驗
• 3.3.2 示例：Web黏性
• 3.3.3 窮盡置換檢驗和Bootstrap置換檢驗
• 3.3.4 置換檢驗：數據科學的底線
• 3.3.5 擴展閱讀
• 3.4 統計顯著性和p值
• 3.4.1 p值
• 3.4.2 α
• 3.4.3 第一類錯誤和第二類錯誤
• 3.4.4 數據科學與p值
• 3.4.5 擴展閱讀
• 3.5 t檢驗
• 擴展閱讀
• 3.6 多重檢驗
• 擴展閱讀
• 3.7 自由度
• 擴展閱讀
• 3.8 ANOVA
• 3.8.1 F統計量
• 3.8.2 雙向ANOVA
• 3.8.3 擴展閱讀
• 3.9 卡方檢驗
• 3.9.1 卡方檢驗：一種重抽樣方法
• 3.9.2 卡方檢驗：統計理論
• 3.9.3 費希爾精確檢驗
• 3.9.4 與數據科學的關聯
• 3.9.5 擴展閱讀
• 3.10 多臂老虎機算法
• 擴展閱讀
• 3.11 檢驗力與樣本容量
• 3.11.1 樣本容量
• 3.11.2 擴展閱讀
• 3.12 小結
• 第 4 章 回歸與預測
• 4.1 簡單線性回歸
• 4.1.1 回歸方程
• 4.1.2 擬合值與殘差
• 4.1.3 最小二乘法
• 4.1.4 預測與解釋（分析）
• 4.1.5 擴展閱讀
• 4.2 多元線性回歸
• 4.2.1 示例：金縣房屋數據
• 4.2.2 模型評估
• 4.2.3 交叉驗證
• 4.2.4 模型選擇與逐步回歸
• 4.2.5 加權回歸
• 4.2.6 擴展閱讀
• 4.3 使用回歸進行預測
• 4.3.1 外推風險
• 4.3.2 置信區間與預測區間
• 4.4 回歸中的因子變量
• 4.4.1 虛擬變量的表示方法
• 4.4.2 多水平因子變量
• 4.4.3 有序因子變量
• 4.5 解釋回歸方程
• 4.5.1 相關的預測變量
• 4.5.2 多重共線性
• 4.5.3 混淆變量
• 4.5.4 交互作用與主效應
• 4.6 回歸診斷
• 4.6.1 離群點
• 4.6.2 強影響值
• 4.6.3 異方差、非正態與相關誤差
• 4.6.4 偏殘差圖與非線性
• 4.7 多項式回歸與樣條回歸
• 4.7.1 多項式回歸
• 4.7.2 樣條回歸
• 4.7.3 廣義可加模型
• 4.7.4 擴展閱讀
• 4.8 小結
• 第 5 章 分類
• 5.1 樸素貝葉斯算法
• 5.1.1 為什么進行精確貝葉斯分類是不現實的
• 5.1.2 樸素貝葉斯問題求解
• 5.1.3 數值型預測變量
• 5.1.4 擴展閱讀
• 5.2 判別分析
• 5.2.1 協方差矩陣
• 5.2.2 費希爾線性判別分析
• 5.2.3 一個簡單的例子
• 5.2.4 擴展閱讀
• 5.3 邏輯回歸
• 5.3.1 邏輯響應函數和logit函數
• 5.3.2 邏輯回歸和廣義線性模型
• 5.3.3 廣義線性模型
• 5.3.4 邏輯回歸的預測值
• 5.3.5 系數和優勢比的解釋
• 5.3.6 線性回歸與邏輯回歸：共性與差異
• 5.3.7 評估模型
• 5.3.8 擴展閱讀
• 5.4 分類模型評估
• 5.4.1 混淆矩陣
• 5.4.2 稀有類問題
• 5.4.3 精確度、召回率和特異度
• 5.4.4 ROC曲線
• 5.4.5 AUC
• 5.4.6 提升度
• 5.4.7 擴展閱讀
• 5.5 非平衡數據的處理策略
• 5.5.1 欠采樣
• 5.5.2 過采樣與上（下）加權
• 5.5.3 數據生成
• 5.5.4 基于成本的分類
• 5.5.5 探索預測結果
• 5.5.6 擴展閱讀
• 5.6 小結
• 第 6 章 統計機器學習
• 6.1 KNN
• 6.1.1 一個小例子：預測貸款違約
• 6.1.2 距離的度量
• 6.1.3 獨熱編碼
• 6.1.4 標準化（歸一化，z分數）
• 6.1.5 K 的選擇
• 6.1.6 KNN作為特征引擎
• 6.2 樹模型
• 6.2.1 一個簡單的例子
• 6.2.2 遞歸分割算法
• 6.2.3 測量同質性或不純度
• 6.2.4 讓樹停止生長
• 6.2.5 預測連續的值
• 6.2.6 如何使用樹
• 6.2.7 擴展閱讀
• 6.3 裝袋法與隨機森林
• 6.3.1 裝袋法
• 6.3.2 隨機森林
• 6.3.3 變量的重要性
• 6.3.4 超參數
• 6.4 提升方法
• 6.4.1 提升算法
• 6.4.2 XGBoost
• 6.4.3 正則化：避免過擬合
• 6.4.4 超參數與交叉驗證
• 6.5 小結
• 第 7 章 無監督學習
• 7.1 主成分分析
• 7.1.1 一個簡單的例子
• 7.1.2 計算主成分
• 7.1.3 解釋主成分
• 7.1.4 對應分析
• 7.1.5 擴展閱讀
• 7.2 K-均值聚類
• 7.2.1 一個簡單的例子
• 7.2.2 K-均值算法
• 7.2.3 簇的解釋
• 7.2.4 選擇簇的數量
• 7.3 層次聚類
• 7.3.1 一個簡單的例子
• 7.3.2 樹狀圖
• 7.3.3 凝聚算法
• 7.3.4 測量相異度
• 7.4 基于模型的聚類
• 7.4.1 多元正態分布
• 7.4.2 混合正態分布
• 7.4.3 選擇簇的數量
• 7.4.4 擴展閱讀
• 7.5 數據縮放與分類變量
• 7.5.1 縮放變量
• 7.5.2 主導變量
• 7.5.3 分類數據和Gower距離
• 7.5.4 混合數據聚類中的問題
• 7.6 小結
• 擴展閱讀
• 作者介紹
• 封面介紹
• 看完了 更新時間：2021-10-26 11:06:38