《机器学习》习题参考

参考文献

16.4 度量学习的回顾与思考

16.3 度量学习

16.2 降维方法的评价

16.1 近邻分类器

第16章 度量学习及其应用

参考文献

15.4 AdaBoost是否会过拟合

15.3 AdaBoost的多分类算法实现

15.2 机器学习中的过拟合现象

15.1 分布有偏移数据集的构造和划分

第15章 集成学习的过拟合现象研究

参考文献

14.4 EM算法应用实例——缺失值处理

14.3 EM算法的隐变量视角

14.2 EM算法的迭代优化视角

14.1 数据中的隐变量

第14章 EM算法及其应用

参考文献

13.4 SOM神经网络

13.3 BP算法的回顾与思考

13.2 神经网络优化实例

13.1 数值求导和自动求导

第13章 神经网络的优化与应用

参考文献

12.4 类别不平衡问题的多分类扩展

12.3 基于采样的“再缩放”方法

12.2 类别不平衡模型初探

12.1 类别不平衡现象与评价指标

第12章 面向类别不平衡数据的分类

参考文献

11.4 线性模型的参数复用

11.3 线性模型的参数选择

11.2 岭回归分类器的优化方法探究

11.1 数据获取和预处理

第11章 线性模型的优化与复用

综合应用篇

参考文献

10.6 度量学习

10.5 低维嵌入与流形学习

10.4 核化线性降维

10.3 主成分分析

10.2 维数灾难

10.1 k近邻学习

第10章 降维与度量学习

参考文献

9.5 密度聚类与层次聚类

9.4 性能度量

9.3 高斯混合聚类

9.2 k均值算法

9.1 距离计算

第9章 聚类

参考文献

8.5 集成剪枝

8.4 多样性

8.3 结合策略

8.2 Bagging与随机森林

8.1 Boosting

第8章 集成学习

参考文献

7.4 贝叶斯网

7.3 朴素贝叶斯分类器

7.2 极大似然估计

7.1 贝叶斯决策论

第7章 贝叶斯分类器

参考文献

6.4 核方法

6.3 核函数

6.2 软间隔与正则化

6.1 间隔、支持向量与对偶问题

第6章 支持向量机

参考文献

5.4 其他常见神经网络

5.3 全局最小与局部极小

5.2 误差逆传播算法

5.1 感知机与多层网络

第5章 神经网络

参考文献

4.5 多变量决策树

4.4 连续与缺失值

4.3 剪枝处理

4.2 划分选择

4.1 基本流程

第4章 决策树

参考文献

3.4 多分类学习

3.3 线性判别分析

3.2 对数几率回归

3.1 线性回归

第3章 线性模型

参考文献

2.5 偏差与方差

2.4 比较检验

2.3 性能度量

2.2 评估方法

2.1 经验误差与过拟合

第2章 模型评估与选择

参考文献

1.4 矩阵、优化和概率分布

1.3 归纳偏好

1.2 假设空间

1.1 基本术语

第1章 绪论

基础考评篇

前言

推荐序

版权信息

封面

封面

版权信息

推荐序

前言

基础考评篇

第1章 绪论

1.1 基本术语

1.2 假设空间

1.3 归纳偏好

1.4 矩阵、优化和概率分布

参考文献

第2章 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.3 性能度量

2.4 比较检验

2.5 偏差与方差

参考文献

第3章 线性模型

3.1 线性回归

3.2 对数几率回归

3.3 线性判别分析

3.4 多分类学习

参考文献

第4章 决策树

4.1 基本流程

4.2 划分选择

4.3 剪枝处理

4.4 连续与缺失值

4.5 多变量决策树

参考文献

第5章 神经网络

5.1 感知机与多层网络

5.2 误差逆传播算法

5.3 全局最小与局部极小

5.4 其他常见神经网络

参考文献

第6章 支持向量机

6.1 间隔、支持向量与对偶问题

6.2 软间隔与正则化

6.3 核函数

6.4 核方法

参考文献

第7章 贝叶斯分类器

7.1 贝叶斯决策论

7.2 极大似然估计

7.3 朴素贝叶斯分类器

7.4 贝叶斯网

参考文献

第8章 集成学习

8.1 Boosting

8.2 Bagging与随机森林

8.3 结合策略

8.4 多样性

8.5 集成剪枝

参考文献

第9章 聚类

9.1 距离计算

9.2 k均值算法

9.3 高斯混合聚类

9.4 性能度量

9.5 密度聚类与层次聚类

参考文献

第10章 降维与度量学习

10.1 k近邻学习

10.2 维数灾难

10.3 主成分分析

10.4 核化线性降维

10.5 低维嵌入与流形学习

10.6 度量学习

参考文献

综合应用篇

第11章 线性模型的优化与复用

11.1 数据获取和预处理

11.2 岭回归分类器的优化方法探究

11.3 线性模型的参数选择

11.4 线性模型的参数复用

参考文献

第12章 面向类别不平衡数据的分类

12.1 类别不平衡现象与评价指标

12.2 类别不平衡模型初探

12.3 基于采样的“再缩放”方法

12.4 类别不平衡问题的多分类扩展

参考文献

第13章 神经网络的优化与应用

13.1 数值求导和自动求导

13.2 神经网络优化实例

13.3 BP算法的回顾与思考

13.4 SOM神经网络

参考文献

第14章 EM算法及其应用

14.1 数据中的隐变量

14.2 EM算法的迭代优化视角

14.3 EM算法的隐变量视角

14.4 EM算法应用实例——缺失值处理

参考文献

第15章 集成学习的过拟合现象研究

15.1 分布有偏移数据集的构造和划分

15.2 机器学习中的过拟合现象

15.3 AdaBoost的多分类算法实现

15.4 AdaBoost是否会过拟合

参考文献

第16章 度量学习及其应用

16.1 近邻分类器

16.2 降维方法的评价

16.3 度量学习

16.4 度量学习的回顾与思考

参考文献