掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
基于機器學習的數(shù)據(jù)分析方法 版權(quán)信息
- ISBN：9787122439895
- 條形碼：9787122439895 ; 978-7-122-43989-5
- 裝幀：平裝
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
基于機器學習的數(shù)據(jù)分析方法 本書特色
本書在介紹機器學習相關(guān)知識的基礎(chǔ)上，主要介紹了基于機器學習的特殊數(shù)據(jù)模型的建立和分析的方法，尤其是含有異常點或服從重尾分布的數(shù)據(jù)，包括基于正則化方法的回歸模型、 自加權(quán)魯棒正則化方法、基于自變量相關(guān)的魯棒回歸模型、 基于因變量相關(guān)的Lasso回歸模型、 基于變量相關(guān)的嶺回歸模型。本書內(nèi)容對于統(tǒng)計機器學習相關(guān)專業(yè)師生及技術(shù)人員有很好的參考性。
基于機器學習的數(shù)據(jù)分析方法 內(nèi)容簡介
作為人工智能的核心技術(shù)，機器學習在數(shù)據(jù)分析中具有舉足輕重的地位。本書在介紹機器學習相關(guān)知識的基礎(chǔ)上，主要介紹了如何對有噪聲的數(shù)據(jù)進行魯棒回歸分析。全書共6章，除第1章外，各章對異常點或重尾分布數(shù)據(jù)中的具體問題進行了詳細分析與建模，所涉及的問題包括權(quán)值選擇問題、變量相關(guān)性問題以及網(wǎng)絡(luò)數(shù)據(jù)問題等。 本書對于構(gòu)建具有魯棒性的機器學習模型具有很好的參考性，適用于含噪聲的數(shù)據(jù)分析與應(yīng)用，可供數(shù)據(jù)分析、人工智能等相關(guān)專業(yè)師生及行業(yè)技術(shù)人員參考閱讀。
基于機器學習的數(shù)據(jù)分析方法 目錄
第1章 機器學習基礎(chǔ) 001
1.1 機器學習及基本概念 002
1.1.1 什么是機器學習 002
1.1.2 機器學習中的一些基本概念 003
1.2 機器學習三要素 005
1.2.1 模型 005
1.2.2 策略 006
1.2.3 算法 009
1.3 機器學習分類 009
1.3.1 監(jiān)督學習 010
1.3.2 無監(jiān)督學習 013
1.3.3 半監(jiān)督學習 013
1.3.4 強化學習 013
1.4 回歸模型發(fā)展現(xiàn)狀 014
1.4.1 線性回歸 014
1.4.2 基于鄰近信息的回歸模型 018
1.4.3 魯棒回歸模型 020 第2章 基于正則化方法的回歸模型 023
2.1 正則化方法 024
2.2 基于*小二乘估計的正則化方法 025
2.2.1 *小二乘估計 025
2.2.2 嶺回歸 026
2.2.3 Lasso估計 027
2.2.4 自適應(yīng)Lasso 027
2.2.5 SCAD估計 028
2.2.6 彈性網(wǎng)絡(luò)回歸 029
2.3 魯棒（穩(wěn)健）正則化方法 029 第3章 自加權(quán)魯棒正則化方法 033
3.1 自加權(quán)魯棒方法 034
3.2 L0正則項 035
3.3 基于SELO懲罰項的自加權(quán)估計方法 037
3.3.1 自適應(yīng)正則項 037
3.3.2 RSWSELO估計 038
3.3.3 理論性質(zhì)及證明 039
3.4 實驗驗證與分析 044
3.4.1 模擬實驗結(jié)果與分析 044
3.4.2 標準數(shù)據(jù)集上的實驗 049 第4章 基于自變量相關(guān)的魯棒回歸模型 055
4.1 自變量相關(guān)性問題 056
4.2 基于Elastic Net罰的魯棒估計方法 058
4.2.1 模型構(gòu)建 058
4.2.2 理論性質(zhì)分析及證明 059
4.2.3 求解算法 066
4.3 實驗驗證與分析 068
4.3.1 模擬實驗結(jié)果與分析 068
4.3.2 真實數(shù)據(jù)集上的實驗 080 第5章 基于因變量相關(guān)的Lasso回歸模型 083
5.1 因變量相關(guān)性問題 084
5.2 Network Lasso估計及其性質(zhì) 085
5.2.1 模型的構(gòu)建 085
5.2.2 誤差界估計 087
5.3 實驗結(jié)果與分析 097
5.3.1 人工數(shù)據(jù)集上的實驗 097
5.3.2 真實數(shù)據(jù)集上的實驗 109 第6章 面向網(wǎng)絡(luò)數(shù)據(jù)的Elastic Net回歸模型 111
6.1 網(wǎng)絡(luò)數(shù)據(jù)問題 112
6.2 面向網(wǎng)絡(luò)數(shù)據(jù)的回歸模型 112
6.3 Network Elastic Net 模型構(gòu)建 114
6.3.1 模型構(gòu)建 114
6.3.2 求解算法 115
6.4 實驗結(jié)果與分析 117
6.4.1 人工數(shù)據(jù)集上的實驗 117
6.4.2 實際數(shù)據(jù)分析 126 附錄 131 參考文獻 140
1.1 機器學習及基本概念 002
1.1.1 什么是機器學習 002
1.1.2 機器學習中的一些基本概念 003
1.2 機器學習三要素 005
1.2.1 模型 005
1.2.2 策略 006
1.2.3 算法 009
1.3 機器學習分類 009
1.3.1 監(jiān)督學習 010
1.3.2 無監(jiān)督學習 013
1.3.3 半監(jiān)督學習 013
1.3.4 強化學習 013
1.4 回歸模型發(fā)展現(xiàn)狀 014
1.4.1 線性回歸 014
1.4.2 基于鄰近信息的回歸模型 018
1.4.3 魯棒回歸模型 020 第2章 基于正則化方法的回歸模型 023
2.1 正則化方法 024
2.2 基于*小二乘估計的正則化方法 025
2.2.1 *小二乘估計 025
2.2.2 嶺回歸 026
2.2.3 Lasso估計 027
2.2.4 自適應(yīng)Lasso 027
2.2.5 SCAD估計 028
2.2.6 彈性網(wǎng)絡(luò)回歸 029
2.3 魯棒（穩(wěn)健）正則化方法 029 第3章 自加權(quán)魯棒正則化方法 033
3.1 自加權(quán)魯棒方法 034
3.2 L0正則項 035
3.3 基于SELO懲罰項的自加權(quán)估計方法 037
3.3.1 自適應(yīng)正則項 037
3.3.2 RSWSELO估計 038
3.3.3 理論性質(zhì)及證明 039
3.4 實驗驗證與分析 044
3.4.1 模擬實驗結(jié)果與分析 044
3.4.2 標準數(shù)據(jù)集上的實驗 049 第4章 基于自變量相關(guān)的魯棒回歸模型 055
4.1 自變量相關(guān)性問題 056
4.2 基于Elastic Net罰的魯棒估計方法 058
4.2.1 模型構(gòu)建 058
4.2.2 理論性質(zhì)分析及證明 059
4.2.3 求解算法 066
4.3 實驗驗證與分析 068
4.3.1 模擬實驗結(jié)果與分析 068
4.3.2 真實數(shù)據(jù)集上的實驗 080 第5章 基于因變量相關(guān)的Lasso回歸模型 083
5.1 因變量相關(guān)性問題 084
5.2 Network Lasso估計及其性質(zhì) 085
5.2.1 模型的構(gòu)建 085
5.2.2 誤差界估計 087
5.3 實驗結(jié)果與分析 097
5.3.1 人工數(shù)據(jù)集上的實驗 097
5.3.2 真實數(shù)據(jù)集上的實驗 109 第6章 面向網(wǎng)絡(luò)數(shù)據(jù)的Elastic Net回歸模型 111
6.1 網(wǎng)絡(luò)數(shù)據(jù)問題 112
6.2 面向網(wǎng)絡(luò)數(shù)據(jù)的回歸模型 112
6.3 Network Elastic Net 模型構(gòu)建 114
6.3.1 模型構(gòu)建 114
6.3.2 求解算法 115
6.4 實驗結(jié)果與分析 117
6.4.1 人工數(shù)據(jù)集上的實驗 117
6.4.2 實際數(shù)據(jù)分析 126 附錄 131 參考文獻 140
展開全部
書友推薦
- >
巴金－再思錄
- >
姑媽的寶刀
- >
煙與鏡
- >
伊索寓言-世界文學名著典藏-全譯本
- >
山海經(jīng)
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
史學評論
- >
回憶愛瑪儂
本類暢銷
