內容簡介

本書系統地闡述機器學習中常見的幾類算法模型，包括模型的思想、原理及實現細節等。同時，本書還結合了當前熱門的機器學習框架sklearn，對書中所涉及的模型在用法上進行詳細講解。

全書共10章，第1章介紹機器學習開發環境的配置；第2章講解線性回歸模型的基本原理、回歸模型中常見的幾種評價指標，以及用于有監督模型訓練的梯度下降算法；第3章介紹邏輯回歸模型的基本原理和分類模型中常見的幾種評價指標；第4章介紹模型的改善與泛化，包括特征標準化、如何避免過擬合及如何進行模型選擇等；第5章講解K近鄰分類算法的基本原理及kd樹的構造與搜索；第6章介紹樸素貝葉斯算法的基本原理；第7章介紹幾種常見的文本特征提取與模型復用，包括詞袋模型和TF-IDF等；第8章講解決策樹與集成學習，包括幾種經典的決策樹生成算法和集成模型；第9章介紹支持向量機的基本原理與求解過程；第10章介紹幾種經典的聚類算法及相應的評價指標計算方法。

本書包含大量的代碼示例及實際案例介紹，可以作為計算機相關專業學生入門機器學習的讀物，也可以作為非計算機專業及培訓機構的參考用書。