最新章節

• 封底
• 推薦閱讀
• 15.4.6 模型評價
• 15.4.5 訓練數據
• 15.4.4 配置參數
• 15.4.3 模型構建

• 封底 更新時間：2025-04-09 18:13:34
• 推薦閱讀
• 15.4.6 模型評價
• 15.4.5 訓練數據
• 15.4.4 配置參數
• 15.4.3 模型構建
• 15.4.2 數據總覽
• 15.4.1 數據集簡介
• 15.4 學術網絡節點分類
• 15.3.4 模型評價
• 15.3.3 模型的構建與訓練
• 15.3.2 數據集簡介
• 15.3.1 案例背景
• 15.3 信息抽取綜合案例
• 15.2.9 模型構建與訓練
• 15.2.8 特征工程
• 15.2.7 分析汽車注冊月份與價格的關系
• 15.2.6 查看變量間的分布關系
• 15.2.5 查看變量間的關系
• 15.2.4 查看變量分布
• 15.2.3 數據預處理
• 15.2.2 數據總覽
• 15.2.1 數據集簡介
• 15.2 二手車交易價格預測綜合案例
• 15.1.3 模型構建與比較
• 15.1.2 數據預處理
• 15.1.1 數據總覽
• 15.1 員工離職預測綜合案例
• 第15章 綜合案例實踐
• 14.8 本章小結
• 14.7.3 模型優化
• 14.7.2 數據分析
• 14.7.1 案例背景
• 14.7 點擊欺騙預測案例實踐
• 14.6 房價預測案例實踐
• 14.5.2 XGBRegressor函數
• 14.5.1 XGBClassifier函數
• 14.5 XGBoost
• 14.4.2 GradientBoostingRegressor函數
• 14.4.1 GradientBoostingClassifier函數
• 14.4 GBDT
• 14.3 Adaboost
• 14.2 隨機森林
• 14.1 Bagging方法
• 第14章 集成學習
• 13.4 本章小結
• 13.3.3 代碼實現
• 13.3.2 數據說明
• 13.3.1 案例背景
• 13.3 神經網絡分類案例實踐
• 13.2 多層人工神經網絡的代碼實現
• 13.1 多層人工神經網絡
• 第13章 神經網絡分類
• 12.3 本章小結
• 12.2.2 新聞文本數據分類
• 12.2.1 鳶尾花數據分類
• 12.2 SVM的代碼實現
• 12.1 支持向量機的可視化分析
• 第12章 支持向量機
• 11.6 本章小結
• 11.5.3 運行結果
• 11.5.2 案例實現
• 11.5.1 案例分析
• 11.5 KNN案例實踐
• 11.4 結果分析
• 11.3 KNN的代碼實現
• 11.2 KNeighborsClassifier函數
• 11.1 KNN算法的步驟
• 第11章 KNN分類
• 10.4 本章小結
• 10.3 提升Apriori算法性能的方法
• 10.2.4 運行結果
• 10.2.3 代碼實現
• 10.2.2 案例的數據集
• 10.2.1 案例背景
• 10.2 關聯分析案例實踐
• 10.1 Apriori算法
• 第10章 關聯分析
• 9.4 本章小結
• 9.3.2 代碼實現
• 9.3.1 算法的步驟
• 9.3 密度聚類
• 9.2.2 代碼實現
• 9.2.1 算法的步驟
• 9.2 層次聚類
• 9.1.2 代碼實現
• 9.1.1 算法的步驟
• 9.1 k均值聚類
• 第9章 聚類分析
• 8.4 本章小結
• 8.3.2 代碼實現
• 8.3.1 案例背景
• 8.3 回歸預測案例實踐
• 8.2.3 log轉換后的分布
• 8.2.2 線性分布可能性檢測
• 8.2.1 正態分布可能性檢測
• 8.2 回歸分析檢測
• 8.1.2 多元線性回歸
• 8.1.1 一元線性回歸
• 8.1 線性回歸
• 第8章 回歸分析
• 7.4 本章小結
• 7.3 不平衡數據分類實踐
• 7.2.5 不平衡問題的其他處理方式
• 7.2.4 對下采樣方法的改進
• 7.2.3 下采樣
• 7.2.2 對上采樣方法的改進
• 7.2.1 上采樣
• 7.2 重采樣方法
• 7.1.4 評價標準問題
• 7.1.3 決策面偏移問題
• 7.1.2 噪聲問題
• 7.1.1 數據稀缺問題
• 7.1 不平衡數據分類問題的特征
• 第7章 不平衡數據分類
• 6.3 本章小結
• 6.2 主成分分析
• 6.1 散點圖可視化分析
• 第6章 數據預處理之數據降維
• 5.3 本章小結
• 5.2.3 小數定標規范化
• 5.2.2 z分數規范化
• 5.2.1 最小-最大規范化
• 5.2 數據規范化
• 5.1.2 二進制編碼
• 5.1.1 順序編碼
• 5.1 數據的數值化處理
• 第5章 數據預處理之轉換
• 4.5 本章小結
• 4.4.3 實踐結論
• 4.4.2 解決方法
• 4.4.1 問題
• 4.4 數據預處理案例實踐
• 4.3.2 用箱線圖檢測噪聲數據
• 4.3.1 正態分布噪聲數據檢測
• 4.3 噪聲數據處理
• 4.2.2 缺失值處理實例
• 4.2.1 缺失值處理概述
• 4.2 缺失值處理
• 4.1 案例概述
• 第4章 數據預處理之數據清洗
• 3.4 本章小結
• 3.3 特征選擇實踐
• 3.2 直方圖與柱狀圖的差異
• 3.1.2 直方圖特征選擇
• 3.1.1 直方圖可視化
• 3.1 直方圖
• 第3章 數據的特征選擇
• 2.5 本章小結
• 2.4.2 基于貝葉斯分類的員工離職預測
• 2.4.1 鳶尾花數據集的貝葉斯分類
• 2.4 貝葉斯分類的編程實踐
• 2.3.2 k折交叉驗證
• 2.3.1 準確率
• 2.3 分類的過程及驗證方法
• 2.2 分類中的訓練集與測試集
• 2.1 分類的概念
• 第2章 分類
• 1.5 本章小結
• 1.4.4 PM2.5空氣質量預測數據集
• 1.4.3 泰坦尼克號災難預測數據集
• 1.4.2 員工離職預測數據集
• 1.4.1 鳶尾花數據集
• 1.4 常見的數據集
• 1.3.2 PyCharm的安裝
• 1.3.1 Python環境的配置
• 1.3 Python的安裝步驟
• 1.2.3 非監督式機器學習
• 1.2.2 監督式機器學習
• 1.2.1 關聯規則挖掘
• 1.2 數據挖掘的分類
• 1.1 數據挖掘技術的由來
• 第1章 緒論
• 前言
• 文前
• 版權信息
• 封面

• 封面
• 版權信息
• 文前
• 前言
• 第1章 緒論
• 1.1 數據挖掘技術的由來
• 1.2 數據挖掘的分類
• 1.2.1 關聯規則挖掘
• 1.2.2 監督式機器學習
• 1.2.3 非監督式機器學習
• 1.3 Python的安裝步驟
• 1.3.1 Python環境的配置
• 1.3.2 PyCharm的安裝
• 1.4 常見的數據集
• 1.4.1 鳶尾花數據集
• 1.4.2 員工離職預測數據集
• 1.4.3 泰坦尼克號災難預測數據集
• 1.4.4 PM2.5空氣質量預測數據集
• 1.5 本章小結
• 第2章 分類
• 2.1 分類的概念
• 2.2 分類中的訓練集與測試集
• 2.3 分類的過程及驗證方法
• 2.3.1 準確率
• 2.3.2 k折交叉驗證
• 2.4 貝葉斯分類的編程實踐
• 2.4.1 鳶尾花數據集的貝葉斯分類
• 2.4.2 基于貝葉斯分類的員工離職預測
• 2.5 本章小結
• 第3章 數據的特征選擇
• 3.1 直方圖
• 3.1.1 直方圖可視化
• 3.1.2 直方圖特征選擇
• 3.2 直方圖與柱狀圖的差異
• 3.3 特征選擇實踐
• 3.4 本章小結
• 第4章 數據預處理之數據清洗
• 4.1 案例概述
• 4.2 缺失值處理
• 4.2.1 缺失值處理概述
• 4.2.2 缺失值處理實例
• 4.3 噪聲數據處理
• 4.3.1 正態分布噪聲數據檢測
• 4.3.2 用箱線圖檢測噪聲數據
• 4.4 數據預處理案例實踐
• 4.4.1 問題
• 4.4.2 解決方法
• 4.4.3 實踐結論
• 4.5 本章小結
• 第5章 數據預處理之轉換
• 5.1 數據的數值化處理
• 5.1.1 順序編碼
• 5.1.2 二進制編碼
• 5.2 數據規范化
• 5.2.1 最小-最大規范化
• 5.2.2 z分數規范化
• 5.2.3 小數定標規范化
• 5.3 本章小結
• 第6章 數據預處理之數據降維
• 6.1 散點圖可視化分析
• 6.2 主成分分析
• 6.3 本章小結
• 第7章 不平衡數據分類
• 7.1 不平衡數據分類問題的特征
• 7.1.1 數據稀缺問題
• 7.1.2 噪聲問題
• 7.1.3 決策面偏移問題
• 7.1.4 評價標準問題
• 7.2 重采樣方法
• 7.2.1 上采樣
• 7.2.2 對上采樣方法的改進
• 7.2.3 下采樣
• 7.2.4 對下采樣方法的改進
• 7.2.5 不平衡問題的其他處理方式
• 7.3 不平衡數據分類實踐
• 7.4 本章小結
• 第8章 回歸分析
• 8.1 線性回歸
• 8.1.1 一元線性回歸
• 8.1.2 多元線性回歸
• 8.2 回歸分析檢測
• 8.2.1 正態分布可能性檢測
• 8.2.2 線性分布可能性檢測
• 8.2.3 log轉換后的分布
• 8.3 回歸預測案例實踐
• 8.3.1 案例背景
• 8.3.2 代碼實現
• 8.4 本章小結
• 第9章 聚類分析
• 9.1 k均值聚類
• 9.1.1 算法的步驟
• 9.1.2 代碼實現
• 9.2 層次聚類
• 9.2.1 算法的步驟
• 9.2.2 代碼實現
• 9.3 密度聚類
• 9.3.1 算法的步驟
• 9.3.2 代碼實現
• 9.4 本章小結
• 第10章 關聯分析
• 10.1 Apriori算法
• 10.2 關聯分析案例實踐
• 10.2.1 案例背景
• 10.2.2 案例的數據集
• 10.2.3 代碼實現
• 10.2.4 運行結果
• 10.3 提升Apriori算法性能的方法
• 10.4 本章小結
• 第11章 KNN分類
• 11.1 KNN算法的步驟
• 11.2 KNeighborsClassifier函數
• 11.3 KNN的代碼實現
• 11.4 結果分析
• 11.5 KNN案例實踐
• 11.5.1 案例分析
• 11.5.2 案例實現
• 11.5.3 運行結果
• 11.6 本章小結
• 第12章 支持向量機
• 12.1 支持向量機的可視化分析
• 12.2 SVM的代碼實現
• 12.2.1 鳶尾花數據分類
• 12.2.2 新聞文本數據分類
• 12.3 本章小結
• 第13章 神經網絡分類
• 13.1 多層人工神經網絡
• 13.2 多層人工神經網絡的代碼實現
• 13.3 神經網絡分類案例實踐
• 13.3.1 案例背景
• 13.3.2 數據說明
• 13.3.3 代碼實現
• 13.4 本章小結
• 第14章 集成學習
• 14.1 Bagging方法
• 14.2 隨機森林
• 14.3 Adaboost
• 14.4 GBDT
• 14.4.1 GradientBoostingClassifier函數
• 14.4.2 GradientBoostingRegressor函數
• 14.5 XGBoost
• 14.5.1 XGBClassifier函數
• 14.5.2 XGBRegressor函數
• 14.6 房價預測案例實踐
• 14.7 點擊欺騙預測案例實踐
• 14.7.1 案例背景
• 14.7.2 數據分析
• 14.7.3 模型優化
• 14.8 本章小結
• 第15章 綜合案例實踐
• 15.1 員工離職預測綜合案例
• 15.1.1 數據總覽
• 15.1.2 數據預處理
• 15.1.3 模型構建與比較
• 15.2 二手車交易價格預測綜合案例
• 15.2.1 數據集簡介
• 15.2.2 數據總覽
• 15.2.3 數據預處理
• 15.2.4 查看變量分布
• 15.2.5 查看變量間的關系
• 15.2.6 查看變量間的分布關系
• 15.2.7 分析汽車注冊月份與價格的關系
• 15.2.8 特征工程
• 15.2.9 模型構建與訓練
• 15.3 信息抽取綜合案例
• 15.3.1 案例背景
• 15.3.2 數據集簡介
• 15.3.3 模型的構建與訓練
• 15.3.4 模型評價
• 15.4 學術網絡節點分類
• 15.4.1 數據集簡介
• 15.4.2 數據總覽
• 15.4.3 模型構建
• 15.4.4 配置參數
• 15.4.5 訓練數據
• 15.4.6 模型評價
• 推薦閱讀
• 封底 更新時間：2025-04-09 18:13:34