本書的主要內容

第1章預測分析過程　介紹預測分析的基本概念，說明預測分析過程的不同階段，并概述本書會用到的軟件。

第2章理解問題和準備數據介紹本書會涉及的問題和數據集，并展示建模的基礎工作，以及如何收集數據和準備數據集。

第3章理解數據集——探索性數據分析展示借助數據可視化技術和其他數值技術從數據集中獲取重要信息的過程。

第4章基于機器學習的數值預測介紹機器學習的主要思想、概念以及一些流行的回歸模型。

第5章基于機器學習的分類預測介紹機器學習中一些重要的分類模型。

第6章　面向預測分析的神經網絡簡介展示神經網絡模型的構建過程。神經網絡不但功能強大而且精度很高，廣受歡迎。

第7章模型評價展示評價預測模型結果所需要的主要指標和方法。

第8章調整模型和提高性能介紹k折交叉驗證等重要技術，這些技術可以改進預測模型的性能。

第9章基于Dash的模型實現展示交互式網絡應用的構建過程，從用戶處獲取輸入，再用訓練好的預測模型生成預測。

預備知識

要獲得最佳學習效果，你需要具備以下基礎。

● 一定的Python編程能力。

● 基本的統計知識。

你需要先了解Python數據科學棧的知識，但這也不是必備條件。本書將使用Python 3.6和許多的主流分析庫。獲取這些庫的簡單方式是直接安裝Anaconda，Anaconda是一個開源的Python發行版本。雖然這并不是必需的，但可以簡化你的工作。請瀏覽Anaconda官網以了解這個軟件的更多內容。

排版約定

本書所用的排版約定如下。

CodeInText：表示文本中使用的代碼、數據庫表名、文件夾名、文件名、文件擴展名、路徑名、虛擬URL、用戶輸入等內容。例如，“把下載的磁盤映像文件WebStorm-10*.dmg掛載到系統的另一個虛擬磁盤?！?/p>

代碼塊以如下樣式顯示：

carat_values = np.arange(0.5, 5.5, 0.5)
preds = first_ml_model(carat_values)
pd.DataFrame({"Carat": carat_values, "Predicted price":preds})

對于特殊的代碼塊，相關的行或者項目會被設置為粗體：

numerator = ((ccd['default']==1) & (ccd['male']==1)).sum()/N
denominator = Prob_B
Prob_A_given_B = numerator/denominator
print("P(A|B) = {:0.4f}".format(Prob_A_given_B))

命令行的輸入和輸出格式如下：

dim_features.corr()

黑體：表示新術語、重要的詞或者屏幕上的詞，比如文本中出現的菜單或對話框中的詞。例如，“從管理員面板選擇系統信息。”

　表示警告或重要注釋。

　表示提示和技巧。