r语言实现岭回归_预测分析：R语言实现

预测分析：R语言实现

作者：(希)鲁伊·米格尔·福特(Rui Miguel Forte) 著

出版日期：2016年10月

文件大小：53.55M

支持设备：

￥40.00仅供试读

适用客户端：

言商书局

iPad/iPhone客户端：下载 Android客户端：下载PC客户端：下载更多详情：查看

？对图书下载、阅读卡购买有疑问：立即进入帮助中心>>

图书简介

目录

本书是一本比较全面的预测建模教材，覆盖了最常见的一些技术，例如逻辑回归、神经网络、支持向量机、隐马尔可夫模型、时间序列分析、推荐系统等。本书属于Packt出版社系列图书中的Mastering级别，是有一定难度和深度的高级教程。作为一位兼具科研和产业经验的专家，作者很巧妙地把握了理论和实践之间的平衡。他的做法是，先以比较通俗的方式讲解理论背景，再通过一些实际案例的直观示范来帮助读者理解相关的理论和方法。这样就让读者既能对各种预测分析方法的理论基础有更深入的认识，又能掌握在实际工作中运用这些技术的方法。此外，作者还提供了大量的参考资料和在线资源，供学有余力的读者进一步提高。

译者序

前言

第1章　准备预测建模

1.1　模型

1.1.1　从数据中学习

1.1.2　模型的核心组成部分

1.1.3　我们的第一个模型：k近邻

1.2　模型的类型

1.2.1　有监督、无监督、半监督和强化学习模型

1.2.2　参数化和非参数化模型

1.2.3　回归和分类模型

1.2.4　实时和批处理机器学习模型

1.3　预测建模的过程

1.3.1　定义模型的目标

1.3.2　收集数据

1.3.3　选取模型

1.3.4　数据的预处理

1.3.5　特征工程和降维

1.3.6　训练和评估模型

1.3.7　重复尝试不同模型及模型的最终选择

1.3.8　部署模型

1.4　性能衡量指标

1.4.1　评估回归模型

1.4.2　评估分类模型

1.5　小结

第2章　线性回归

2.1　线性回归入门

2.2　简单线性回归

2.3　多元线性回归

2.3.1　预测CPU性能

2.3.2　预测二手汽车的价格

2.4　评估线性回归模型

2.4.1　残差分析

2.4.2　线性回归的显著性检验

2.4.3　线性回归的性能衡量指标

2.4.4　比较不同的回归模型

2.4.5　在测试集上的性能

2.5　线性回归的问题

2.5.1　多重共线性

2.5.2　离群值

2.6　特征选择

2.7　正则化

2.7.1　岭回归

2.7.2　最小绝对值收缩和选择算子

2.7.3　在R语言里实现正则化

2.8　小结

第3章　逻辑回归

3.1　利用线性回归进行分类

3.2　逻辑回归入门

3.2.1　广义线性模型

3.2.2　解释逻辑回归中的系数

3.2.3　逻辑回归的假设

3.2.4　最大似然估计

3.3　预测心脏病

3.4　评估逻辑回归模型

3.4.1　模型的偏差

3.4.2　测试集的性能

3.5　利用lasso进行正则化

3.6　分类指标

3.7　二元逻辑分类器的扩展

3.7.1　多元逻辑回归

3.7.2　有序逻辑回归

3.8　小结

第4章　神经网络

4.1　生物神经元

4.2　人工神经元

4.3　随机梯度下降

4.3.1　梯度下降和局部极小值

4.3.2　感知器算法

4.3.3　线性分离

4.3.4　逻辑神经元

4.4　多层感知器网络

4.5　预测建筑物的能源效率

4.6　重新进行玻璃类型预测

4.7　预测手写数字

4.8　小结

第5章　支持向量机

5.1　最大边缘分类

5.2　支持向量分类

5.3　核和支持向量机

5.4　预测化学品的生物降解

5.5　交叉验证

5.6　预测信用评分

5.7　用支持向量机进行多类别分类

5.8　小结

第6章　树形方法

6.1　树形模型的直观印象

6.2　训练决策树的算法

6.2.1　分类和回归树

6.2.2　回归模型树

6.2.3　CART分类树

6.2.4　C5.0

6.3　在合成的二维数据上预测类别归属关系

6.4　预测纸币的真实性

6.5　预测复杂的技能学习

6.5.1　在CART树里对模型参数进行调优

6.5.2　树模型中的变量重要性

6.5.3　回归模型树实用示例

6.6　小结

第7章　集成方法

7.1　装袋

7.1.1　边缘和袋外观测数据

7.1.2　用装袋预测复杂技能学习

7.1.3　用装袋预测心脏病

7.1.4　装袋的局限性

7.2　增强

7.3　预测大气中伽马射线的辐射

7.4　利用增强算法预测复杂技能学习

7.5　随机森林

7.6　小结

第8章　概率图模型

8.1　图论入门

8.2　贝叶斯定理

8.3　条件性独立

8.4　贝叶斯网络

8.5　朴素贝叶斯分类器

8.6　隐马尔可夫模型

8.7　预测启动子基因序列

8.8　预测英语单词里的字母特征

8.9　小结

第9章　时间序列分析

9.1　时间序列的基本概念

9.2　一些基本的时间序列

9.2.1　白噪声

9.2.2　随机漫步

9.3　平稳性

9.4　平稳时间序列模型

9.4.1　移动平均模型

9.4.2　自回归模型

9.4.3　自回归移动平均模型

9.5　非平稳时间序列模型

9.5.1　整合自回归移动平均模型

9.5.2　自回归条件异方差模型

9.5.3　广义自回归条件异方差模型

9.6　预测强烈地震

9.7　预测猞猁的诱捕

9.8　预测外汇汇率

9.9　其他时间序列模型

9.10　小结

第10章　主题建模

10.1　主题建模概况

10.2　隐含狄式分布

10.2.1　狄式分布

10.2.2　生成过程

10.2.3　拟合LDA模型

10.3　对在线新闻报道的主题进行建模

10.3.1　模型稳定性

10.3.2　找出主题数量

10.3.3　主题分布

10.3.4　单词分布

10.3.5　LDA扩展模型

10.4　小结

第11章　推荐系统

11.1　评分矩阵

11.2　协同过滤

11.2.1　基于用户的协同过滤

11.2.2　基于商品的协同过滤

11.3　奇异值分解

11.4　R语言和大数据

11.5　预测电影和笑话的推荐

11.6　加载和预处理数据

11.7　对数据进行探索

11.7.1　评估二元的top-N推荐

11.7.2　评估非二元的top-N推荐

11.7.3　评估每种预测方法

11.8　推荐系统的其他方法

11.9　小结