集成學(xué)習(xí)實(shí)戰(zhàn)

第I部分　集成學(xué)習(xí)基礎(chǔ)知識(shí)
第1章　集成方法：炒作還是福音·      3
1.1　集成方法：集體智慧    4
1.2　關(guān)注集成學(xué)習(xí)原因     6
1.3　單個(gè)模型中的擬合度與復(fù)雜性    8
1.3.1　決策樹(shù)回歸     8
1.3.2　支持向量回歸     12
1.4　第一個(gè)集成模型      15
1.5　集成方法的術(shù)語(yǔ)和分類(lèi)      19
1.6　小結(jié)      21
第II部分　基本集成方法
第2章　同質(zhì)并行集成：Bagging法和隨機(jī)森林     25
2.1　并行集成      26
2.2　Bagging法：Bootstrap結(jié)合算法   27
2.2.1　直覺(jué)：重采樣和模型結(jié)合     28
2.2.2　實(shí)現(xiàn)Bagging法    31
2.2.3　使用scikit-learn實(shí)現(xiàn)Bagging法     33
2.2.4　使用并行化進(jìn)行更快的訓(xùn)練    35
2.3　隨機(jī)森林      36
2.3.1　隨機(jī)決策樹(shù)      36
2.3.2　使用scikit-learn實(shí)現(xiàn)隨機(jī)森林   38
2.3.3　特征重要性      39
2.4　更多同質(zhì)并行集成·     40
2.4.1　Pasting      40
2.4.2　隨機(jī)子空間和random patch法   41
2.4.3　極度隨機(jī)樹(shù)      42
2.5　案例研究：乳腺癌診斷      43
2.5.1　加載和預(yù)處理     43
2.5.2　Bagging法、隨機(jī)森林和極度隨機(jī)樹(shù)    44
2.5.3　隨機(jī)森林中的特征重要性     47
2.6　小結(jié)      50
第3章　異質(zhì)并行集成：結(jié)合強(qiáng)學(xué)習(xí)器      53
3.1　異質(zhì)集成的基礎(chǔ)估計(jì)器      54
3.1.1　擬合基礎(chǔ)估計(jì)器      55
3.1.2　基礎(chǔ)估計(jì)器的單個(gè)預(yù)測(cè)    58
3.2　通過(guò)加權(quán)結(jié)合預(yù)測(cè)    60
3.2.1　多數(shù)投票     62
3.2.2　準(zhǔn)確率加權(quán)      63
3.2.3　熵加權(quán)法     65
3.2.4　Dempster-Shafer結(jié)合      67
3.3　通過(guò)元學(xué)習(xí)結(jié)合預(yù)測(cè)      69
3.3.1　Stacking      70
3.3.2　通過(guò)交叉驗(yàn)證進(jìn)行Stacking    74
3.4　案例研究：情感分析      77
3.4.1　預(yù)處理      78
3.4.2　降低維度     81
3.4.3　blending分類(lèi)器    82
3.5　小結(jié)      85
第4章　順序集成：自適應(yīng)提升     87
4.1　弱學(xué)習(xí)器的順序集成      88
4.2　AdaBoost：自適應(yīng)提升      90
4.2.1　直覺(jué)法：使用加權(quán)樣本進(jìn)行學(xué)習(xí)    90
4.2.2　實(shí)現(xiàn)AdaBoost     93
4.2.3　使用scikit-learn的AdaBoost    99
4.3　AdaBoost在實(shí)踐中的應(yīng)用    101
4.3.1　學(xué)習(xí)率·       102
4.3.2　早停和剪枝     104
4.4　案例研究：手寫(xiě)數(shù)字分類(lèi)    106
4.4.1　利用 t-SNE降維      107
4.4.2　提升       109
4.5　LogitBoost：使用邏輯損失進(jìn)行提升    112
4.5.1　邏輯損失函數(shù)與指數(shù)損失函數(shù)    112
4.5.2　將回歸作為分類(lèi)的弱學(xué)習(xí)算法    113
4.5.3　實(shí)現(xiàn)LogitBoost      113
4.6　小結(jié)      116
第5章　順序集成：梯度提升      117
5.1　用梯度下降實(shí)現(xiàn)最小化     118
5.1.1　舉例說(shuō)明梯度下降      119
5.1.2　在損失函數(shù)上進(jìn)行梯度下降訓(xùn)練     125
5.2　梯度提升：梯度下降 提升     128
5.2.1　直覺(jué)：使用殘差學(xué)習(xí)     128
5.2.2　實(shí)現(xiàn)梯度提升    132
5.2.3　使用scikit-learn進(jìn)行梯度提升     136
5.2.4　基于直方圖的梯度提升     138
5.3　LightGBM：梯度提升框架     140
5.3.1　為何將LightGBM稱(chēng)為“輕量級(jí)”    140
5.3.2　利用LightGBM進(jìn)行梯度提升     142
5.4　LightGBM在實(shí)踐中的應(yīng)用     143
5.4.1　學(xué)習(xí)率      143
5.4.2　早停       146
5.4.3　自定義損失函數(shù)     148
5.5　案例研究：文檔檢索     151
5.5.1　LETOR數(shù)據(jù)集      151
5.5.2　使用LightGBM進(jìn)行文檔檢索     153
5.6　小結(jié)      156
第6章　順序集成：牛頓提升      157
6.1　最小化牛頓法      158
6.1.1　舉例說(shuō)明牛頓法     160
6.1.2　訓(xùn)練過(guò)程中的損失函數(shù)的牛頓下降·     165
6.2　牛頓提升：牛頓法 Boosting    167
6.2.1　直覺(jué)：使用加權(quán)殘差進(jìn)行學(xué)習(xí)    167
6.2.2　直覺(jué)：使用正則化損失函數(shù)進(jìn)行學(xué)習(xí)    170
6.2.3　實(shí)現(xiàn)牛頓提升    173
6.3　XGBoost：牛頓提升框架    177
6.3.1　XGBoost的“極端”之處在哪里？    178
6.3.2　XGBoost的牛頓提升     179
6.4　XGBoost實(shí)踐     181
6.4.1　學(xué)習(xí)率      181
6.4.2　早停       184
6.5　案例研究：文檔檢索     185
6.5.1　LETOR數(shù)據(jù)集      185
6.5.2　使用XGBoost進(jìn)行文檔檢索   186
6.6　小結(jié)      188
第III部分　集成之外：將集成方法應(yīng)用于你的數(shù)據(jù)
第7章　學(xué)習(xí)連續(xù)和計(jì)數(shù)標(biāo)簽      193
7.1　回歸的簡(jiǎn)要回顧     194
7.1.1　連續(xù)標(biāo)簽的線(xiàn)性回歸     194
7.1.2　用于計(jì)數(shù)標(biāo)簽的泊松回歸    200
7.1.3　用于分類(lèi)標(biāo)簽的邏輯回歸    203
7.1.4　廣義線(xiàn)性模型    204
7.1.5　非線(xiàn)性回歸     205
7.2　回歸的并行集成     208
7.2.1　隨機(jī)森林和極度隨機(jī)樹(shù)     209
7.2.2　結(jié)合回歸模型    212
7.2.3　Stacking回歸模型     213
7.3　用于回歸的順序集成     214
7.3.1　用于回歸的損失和似然函數(shù)   216
7.3.2　LightGBM和XGBoost的梯度提升    218
7.4　案例研究：需求預(yù)測(cè)     221
7.4.1　UCI自行車(chē)共享數(shù)據(jù)集    222
7.4.2　GLM和Stacking·       224
7.4.3　隨機(jī)森林和極度隨機(jī)樹(shù)     227
7.4.4　XGBoost和LightGBM    228
7.5　小結(jié)      231
第8章　學(xué)習(xí)分類(lèi)特征      233
8.1　編碼分類(lèi)特征      234
8.1.1　分類(lèi)特征的類(lèi)型     235
8.1.2　有序編碼和獨(dú)熱編碼     235
8.1.3　使用目標(biāo)統(tǒng)計(jì)信息進(jìn)行編碼   238
8.1.4　類(lèi)別編碼器包    244
8.2　CatBoost：有序提升框架    247
8.2.1　有序目標(biāo)統(tǒng)計(jì)和有序提升    247
8.2.2　無(wú)意識(shí)決策樹(shù)    249
8.2.3　CatBoost實(shí)踐    250
8.3　案例研究：收入預(yù)測(cè)     253
8.3.1　adult數(shù)據(jù)集     254
8.3.2　創(chuàng)建預(yù)處理和建模流程     256
8.3.3　類(lèi)別編碼和集成     259
8.3.4　有序編碼和CatBoost提升    261
8.4　編碼高基數(shù)字符串特征     263
8.5　小結(jié)      267
第9章　集成學(xué)習(xí)可解釋性      269
9.1　可解釋性的含義     270
9.1.1　黑盒與白盒模型     270
9.1.2　決策樹(shù)(和決策規(guī)則)     273
9.1.3　廣義線(xiàn)性模型    276
9.2　案例研究：數(shù)據(jù)驅(qū)動(dòng)的營(yíng)銷(xiāo)    278
9.2.1　銀行營(yíng)銷(xiāo)數(shù)據(jù)集     279
9.2.2　訓(xùn)練集成      281
9.2.3　樹(shù)集成中的特征重要性     282
9.3　全局可解釋性的黑盒方法    283
9.3.1　排列特征重要性     284
9.3.2　部分依賴(lài)圖     286
9.3.3　全局代理模型·     289
9.4　適用于局部可解釋性的黑盒方法    292
9.4.1　借助LIME的局部代理模型    292
9.4.2　借助SHAP的局部可解釋性   296
9.5　白盒集成：訓(xùn)練解釋性     302
9.5.1　可解釋性提升機(jī)     303
9.5.2　EBM實(shí)踐      306
9.6　小結(jié)      309
結(jié)語(yǔ)       311