归21
2.2 泛化、过拟合与欠拟合22
2.3 监督学习算法24
2.3.1 一些样本数据集25
2.3.2 k近邻28
2.3.3 线性模型35
2.3.4 朴素贝叶斯分类器53
2.3.5 决策树54
2.3.6 决策树集成64
2.3.7 核支持向量机71
2.3.8 神经网络（深度学习）80
2.4 分类器的不确定度估计91
2.4.1 决策函数91
2.4.2 预测概率94
2.4.3 多分类问题的不确定度96
2.5 小结与展望98
第3章 无监督学习与预处理100
3.1 无监督学习的类型100
3.2 无监督学习的挑战101
3.3 预处理与缩放101
3.3.1 不同类型的预处理102
3.3.2 应用数据变换102
3.3.3 对训练数据和测试数据进行相同的缩放104
3.3.4 预处理对监督学习的作用106
3.4 降维、特征提取与流形学习107
3.4.1 主成分分析107
3.4.2 非负矩阵分解120
3.4.3 用t-SNE进行流形学习126
3.5 聚类130
3.5.1 k均值聚类130
3.5.2 凝聚聚类140
3.5.3 DBSCAN143
3.5.4 聚类算法的对比与评估147
3.5.5 聚类方法小结159
3.6 小结与展望159
第4章 数据表示与特征工程161
4.1 分类变量161
4.1.1 One-Hot编码（虚拟变量）162
4.1.2 数字可以编码分类变量166
4.2 分箱、离散化、线性模型与树168
4.3 交互特征与多项式特征171
4.4 单变量非线性变换178
4.5 自动化特征选择181
4.5.1 单变量统计181
4.5.2 基于模型的特征选择183
4.5.3 迭代特征选择184
4.6 利用专家知识185
4.7 小结与展望192
第5章 模型评估与改进193
5.1 交叉验证194
5.1.1 scikit-learn中的交叉验证194
5.1.2 交叉验证的优点195
5.1.3 分层k折交叉验证和其他策略196
5.2 网格搜索200
5.2.1 简单网格搜索201
5.2.2 参数过拟合的风险与验证集202
5.2.3 带交叉验证的网格搜索203
5.3 评估指标与评分213
5.3.1 牢记目标213
5.3.2 二分类指标214
5.3.3 多分类指标230
5.3.4 回归指标232
5.3.5 在模型选择中使用评估指标232
5.4 小结与展望234
第6章 算法链与管道236
6.1 用预处理进行参数选择237
6.2 构建管道238
6.3 在网格搜索中使用管道239
6.4 通用的管道接口242
6.4.1 用make_pipeline方便地创建管道243
6.4.2 访问步骤属性244
6.4.3 访问网格搜索管道中的属性244
6.5 网格搜索预处理步骤与模型参数246
6.6 网格搜索选择使用哪个模型248
6.7 小结与展望249
第7章 处理文本数据250
7.1 用字符串表示的数据类型250
7.2 示例应用：电影评论的情感分析252
7.3 将文本数据表示为词袋254
7.3.1 将词袋应用于玩具数据集255
7.3.2 将词袋应用于电影评论256
7.4 停用词259
7.5 用tf-idf缩放数据260
7.6 研究模型系数263
7.7 多个单词的词袋（n元分词）263
7.8 分词、词干提取与词形还原267
7.9 主题建模与文档聚类270
7.10 小结与展望277
第8章 全书总结278
8.1 处理机器学习问题278
8.2 从原型到生产279
8.3 测试生产系统280
8.4 构建你自己的估计器280
8.5 下一步怎么走281
8.5.1 理论281
8.5.2 其他机器学习框架和包281
8.5.3 排序、推荐系统与其他学习类型282
8.5.4 概率建模、推断与概率编程282
8.5.5 神经网络283
8.5.6 推广到更大的数据集283
8.5.7 磨练你的技术284
8.6 总结284
关于作者285
关于封面285
