Ensemble Machine Learning Cookbook: Over 35 practical recipes to explore ensemble machine learning techniques using Python
Dipayan Sarkar, Vijayalakshmi Natarajan实施机器学习算法以使用 Keras、H2O、Scikit-Learn、Pandas 等构建集成模型
主要特征- 使用基于配方的方法应用流行的机器学习算法
- 实施提升、装袋和堆叠集成方法以改进机器学习模型
- 在 Kaggle 比赛中发现现实世界的集成应用程序并遇到复杂的挑战
集成建模是一种用于提高机器学习模型性能的方法。它结合了两种或多种相似或不同的机器学习算法,以提供卓越的智力。本书将帮助您实现流行的机器学习算法,以涵盖集成机器学习的不同范式,例如 boosting、bagging 和 stacking。
Ensemble Machine Learning Cookbook 将从让您熟悉 ensemble 技术和探索性数据分析的基础知识开始。然后,您将学习实现与统计和机器学习算法相关的任务,以了解多种异构算法的集合。它还将确保您不会错过关键主题,例如重采样方法。随着您的进步,您将更好地理解 bagging、boosting、stacking 以及使用真实世界的示例使用随机森林算法。与单个模型相比,本书将重点介绍这些集成方法如何使用多个模型来改进机器学习结果。在最后的章节中,您将深入研究使用神经网络、自然语言处理等的高级集成模型。你'
在本书结束时,您将能够利用集成技术和机器学习算法的工作机制,使用单独的配方构建智能模型。
你会学到什么- 了解如何使用机器学习算法解决回归和分类问题
- 实施集成技术,例如平均、加权平均和最大投票
- 掌握高级集成方法,例如引导、装袋和堆叠
- 将随机森林用于分类和回归等任务
- 实现同构和异构机器学习算法的集合
- 学习和实施各种提升技术,例如 AdaBoost、Gradient Boosting Machine 和 XGBoost
本书专为希望深入研究机器学习算法以构建强大的集成模型的数据科学家、机器学习开发人员和深度学习爱好者而设计。Python编程和基本统计的工作知识是帮助你掌握书中概念的必备知识。
目录- 通过探索性数据分析更接近您的数据
- 集成机器学习入门
- 重采样方法
- 统计和机器学习算法
- 用 Bagging 包模型
- 当有疑问时,使用随机森林
- 通过 Boosting 提升模型性能
- 将其与堆叠混合
- 手写数字识别的同质集成
- 信用卡违约预测的异构集成分类器
- 使用 NLP 进行情感分析的异构集成
- 用于文本分类的多标签分类的异构集成
Categories:
Year:
2019
Publisher:
Packt Publishing
Language:
english
Pages:
327
ISBN 10:
1789136601
ISBN 13:
9781789136609
File:
PDF, 17.13 MB
IPFS:
,
english, 2019
This book isn't available for download due to the complaint of the copyright holder