中圖網小程序
一鍵登錄
更方便
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高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
基于機器學習的數據分析方法 版權信息
- ISBN：9787122439895
- 條形碼：9787122439895 ; 978-7-122-43989-5
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于機器學習的數據分析方法 本書特色
本書在介紹機器學習相關知識的基礎上，主要介紹了基于機器學習的特殊數據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據，包括基于正則化方法的回歸模型、 自加權魯棒正則化方法、基于自變量相關的魯棒回歸模型、 基于因變量相關的Lasso回歸模型、 基于變量相關的嶺回歸模型。本書內容對于統計機器學習相關專業師生及技術人員有很好的參考性。
基于機器學習的數據分析方法 內容簡介
作為人工智能的核心技術，機器學習在數據分析中具有舉足輕重的地位。本書在介紹機器學習相關知識的基礎上，主要介紹了如何對有噪聲的數據進行魯棒回歸分析。全書共6章，除第1章外，各章對異常點或重尾分布數據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值選擇問題、變量相關性問題以及網絡數據問題等。 本書對于構建具有魯棒性的機器學習模型具有很好的參考性，適用于含噪聲的數據分析與應用，可供數據分析、人工智能等相關專業師生及行業技術人員參考閱讀。
基于機器學習的數據分析方法 目錄
第1章 機器學習基礎 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 監督學習 010
1.3.2 無監督學習 013
1.3.3 半監督學習 013
1.3.4 強化學習 013
1.4 回歸模型發展現狀 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Lasso 027
2.2.5 SCAD估計 028
2.2.6 彈性網絡回歸 029
2.3 魯棒（穩健）正則化方法 029 第3章 自加權魯棒正則化方法 033
3.1 自加權魯棒方法 034
3.2 L0正則項 035
3.3 基于SELO懲罰項的自加權估計方法 037
3.3.1 自適應正則項 037
3.3.2 RSWSELO估計 038
3.3.3 理論性質及證明 039
3.4 實驗驗證與分析 044
3.4.1 模擬實驗結果與分析 044
3.4.2 標準數據集上的實驗 049 第4章 基于自變量相關的魯棒回歸模型 055
4.1 自變量相關性問題 056
4.2 基于Elastic Net罰的魯棒估計方法 058
4.2.1 模型構建 058
4.2.2 理論性質分析及證明 059
4.2.3 求解算法 066
4.3 實驗驗證與分析 068
4.3.1 模擬實驗結果與分析 068
4.3.2 真實數據集上的實驗 080 第5章 基于因變量相關的Lasso回歸模型 083
5.1 因變量相關性問題 084
5.2 Network Lasso估計及其性質 085
5.2.1 模型的構建 085
5.2.2 誤差界估計 087
5.3 實驗結果與分析 097
5.3.1 人工數據集上的實驗 097
5.3.2 真實數據集上的實驗 109 第6章 面向網絡數據的Elastic Net回歸模型 111
6.1 網絡數據問題 112
6.2 面向網絡數據的回歸模型 112
6.3 Network Elastic Net 模型構建 114
6.3.1 模型構建 114
6.3.2 求解算法 115
6.4 實驗結果與分析 117
6.4.1 人工數據集上的實驗 117
6.4.2 實際數據分析 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 監督學習 010
1.3.2 無監督學習 013
1.3.3 半監督學習 013
1.3.4 強化學習 013
1.4 回歸模型發展現狀 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Lasso 027
2.2.5 SCAD估計 028
2.2.6 彈性網絡回歸 029
2.3 魯棒（穩健）正則化方法 029 第3章 自加權魯棒正則化方法 033
3.1 自加權魯棒方法 034
3.2 L0正則項 035
3.3 基于SELO懲罰項的自加權估計方法 037
3.3.1 自適應正則項 037
3.3.2 RSWSELO估計 038
3.3.3 理論性質及證明 039
3.4 實驗驗證與分析 044
3.4.1 模擬實驗結果與分析 044
3.4.2 標準數據集上的實驗 049 第4章 基于自變量相關的魯棒回歸模型 055
4.1 自變量相關性問題 056
4.2 基于Elastic Net罰的魯棒估計方法 058
4.2.1 模型構建 058
4.2.2 理論性質分析及證明 059
4.2.3 求解算法 066
4.3 實驗驗證與分析 068
4.3.1 模擬實驗結果與分析 068
4.3.2 真實數據集上的實驗 080 第5章 基于因變量相關的Lasso回歸模型 083
5.1 因變量相關性問題 084
5.2 Network Lasso估計及其性質 085
5.2.1 模型的構建 085
5.2.2 誤差界估計 087
5.3 實驗結果與分析 097
5.3.1 人工數據集上的實驗 097
5.3.2 真實數據集上的實驗 109 第6章 面向網絡數據的Elastic Net回歸模型 111
6.1 網絡數據問題 112
6.2 面向網絡數據的回歸模型 112
6.3 Network Elastic Net 模型構建 114
6.3.1 模型構建 114
6.3.2 求解算法 115
6.4 實驗結果與分析 117
6.4.1 人工數據集上的實驗 117
6.4.2 實際數據分析 126 附錄 131 參考文獻 140
展開全部
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
隨園食單
- >
經典常談
- >
詩經-先民的歌唱
- >
有舍有得是人生
- >
月亮虎
- >
史學評論
- >
姑媽的寶刀
本類暢銷
