《跟我一起機器學習》

系列文章知識點與代碼索引目錄

0 環境配置

• 如何才能入門機器學習？
• 優雅的安裝和使用Anaconda
  • 使用Conda來進行環境的創建與管理
• Pycharm安裝與使用
  • 配置運行環境

1 線性回歸

• 線性回歸(模型的建立與求解)
  • 什么是線性回歸
  • 模型的誤差之目標函數
  • pip install命令的使用
  • sklearn建模房價預測
• 線性回歸(多變量與多項式回歸)
  • 多變量回歸
  • 多項式回歸與PolynomialFeatuires
• 線性回歸(模型的評估)
  • 模型評估(MAE,MSE,RMSE,MAPE)
• 線性回歸(梯度下降)
  • 梯度下降原理與實現
• 神說要有正態分布，于是就有了正態分布
  • 正態分布的來歷與作用
• 線性回歸(目標函數的推導)
  • 線性回歸的推導與實現

2 邏輯回歸

• 邏輯回歸(模型的建立與求解)

  • 邏輯回歸原理
  • 決策邊界

• 邏輯回歸(混淆矩陣與評估指標)

  • 混淆矩陣與多分類思想
  • sklearn建模患癌預測

• 邏輯回歸(目標函數推導與實現)

  • 目標函數與梯度推導
  • 動手實現二分類與多分類

• 任務一(邏輯回歸完成錄取二分類任務)

  • Pandas讀取數據集

3 模型的改善與泛化

• 模型的改善與泛化(標準化與特征映射)

  • 等高線與特征標準化
  • 特征組合與特征映射
  • 動手實現非線性分類器

• 模型的改善與泛化(梯度與等高線)

  • 梯度與等高線

• 模型的改善與泛化(過擬合)

  • 過擬合與欠擬合
  • 訓練集與測試集

• 模型的改善與泛化(正則化)

  • 正則化原理

• 模型的改善與泛化(偏差方差交叉驗證)

  • 偏差方差與超參數
  • 模型選擇與交叉驗證

• 模型的改善與泛化(手寫體識別)

  • StandardScaler()與KFold的使用
  • LogisticRegression與SGDClassifier

4 K最近鄰與樸素貝葉斯

• K近鄰算法

  • KNN原理與sklearn建模
  • 距離的度量方式
  • 網格搜索與并行搜索
  • GridSearch

• 樸素貝葉斯算法

  • 樸素貝葉斯原理
  • 先驗概率與后驗概率
  • 拉普拉斯平滑
  • 貝葉斯估計

• 文本特征提取之詞袋模型

  • 詞袋模型原理
  • 分詞與詞頻統計
  • jieba與Counter

• 基于詞袋模型的垃圾郵件分類

  • CountVectorizer與文本數據預處理
  • 樸素貝葉斯分類示例
  • classification_report

• TF-IDF文本表示方法與詞云圖

  • TFIDF原理與計算示例
  • TfidfVectorizer與停用詞
  • word cloud與詞云圖

• 任務二(基于貝葉斯算法的新聞分類)

5 決策樹與隨機森林

• 這就是決策樹的思想
  • 決策樹思想
  • 信息熵與信息增益
• 決策樹的生成之ID3與C4.5
  • ID3與C4.5原理示例
• 決策樹的建模與剪枝
  • sklearn接口介紹
  • 決策樹建模與可視化
  • 剪枝思想
• 決策樹的生成與剪枝CART
  • 基尼指數
  • CART分類決策樹原理
• 集成模型：Bagging、Boosting和Stacking
  • 集成學習思想
  • BaggingClassifier的使用
  • StackingClassifier的使用
• 隨機森林在sklearn中的使用
  • RandomForestClassifier介紹
  • 特征重要性評估
• 泰坦尼克號沉船生還預測
  • 缺失值補充
  • 特征值轉換
  • GridSearchCV的使用

6 支持向量機

• 原來這就是支持向量機

  • 函數間隔與幾何間隔
  • 最大間隔分類器

• 從另一個角度看支持向量機

• SVM中關于函數間隔為什么可以設為1

• SVM之sklear建模與核技巧

  • SVC的使用
  • 線性不可分與特征映射
  • 核技巧與無窮維

• SVM之軟間隔最大化

  • 誤差與懲罰

• 好久不見的拉格朗日乘數法

  • 拉格朗日乘數法

• 對偶性與KKT條件

• SVM之目標函數求解

7 聚類

• Kmeans聚類算法

  • 有監督與無監督學習
  • 聚類算法的思想
  • Kmeans聚類原理
  • sklearn建模Kmeans
  • Kmeans目標函數

• 聚類與分類的區別是什么

• Kmeans聚類算法的優缺點以及改進方法

• 幾種常見的聚類評估指標

  • Acc、F-score、ARI與NMI

• Kmeans聚類算法求解與實現

• Kmeans++原理與實現

• WKmeans一種基于特征權重的聚類算法

總結

以上是生活随笔為你收集整理的svm多分类代码_跟我一起机器学习系列文章知识点与代码索引目录，持续更新…...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。