集成學(xué)習(xí)入門(mén)與實(shí)戰(zhàn)：原理、算法與應(yīng)用

第1章 為什么需要集成學(xué)習(xí) 001
1.1 混合訓(xùn)練數(shù)據(jù) 003
1.2 混合模型 004
1.3 混合組合 008
1.4 本章小結(jié) 009

第2章 混合訓(xùn)練數(shù)據(jù) 011
2.1 決策樹(shù) 013
2.2 數(shù)據(jù)集采樣 018
2.2.1 不替換采樣（WOR） 018
2.2.2 替換采樣（WR） 019
2.3 Bagging（裝袋算法） 021
2.3.1 k重交叉驗(yàn)證 024
2.3.2 分層的k重交叉驗(yàn)證 026
2.4 本章小結(jié) 028

第3章 混合模型 029
3.1 投票集成 030
3.2 硬投票 031
3.3 均值法/軟投票 033
3.4 超參數(shù)調(diào)試集成 036
3.5 水平投票集成 038
3.6 快照集成 044
3.7 本章小結(jié) 046

第4章 混合組合 047
4.1 Boosting（提升算法） 048
4.1.1 AdaBoost（自適應(yīng)提升算法） 049
4.1.2 Gradient Boosting（梯度提升算法） 051
4.1.3 XGBoost（極端梯度提升算法） 053
4.2 Stacking（堆疊算法） 055
4.3 本章小結(jié) 058

第5章 集成學(xué)習(xí)庫(kù) 059
5.1 ML-集成學(xué)習(xí) 060
5.1.1 多層集成 063
5.1.2 集成模型的選擇 064
5.2 通過(guò)Dask擴(kuò)展XGBoost 069
5.2.1 Dask數(shù)組與數(shù)據(jù)結(jié)構(gòu) 071
5.2.2 Dask-ML 076
5.2.3 擴(kuò)展XGBoost 079
5.2.4 微軟LightGBM 082
5.2.5 AdaNet 088
5.3 本章小結(jié) 090

第6章 實(shí)踐指南 092
6.1 基于隨機(jī)森林的特征選擇 093
6.2 基于集成樹(shù)的特征轉(zhuǎn)換 096
6.3 構(gòu)建隨機(jī)森林分類(lèi)器預(yù)處理程序 103
6.4 孤立森林進(jìn)行異常點(diǎn)檢測(cè) 110
6.5 使用Dask庫(kù)進(jìn)行集成學(xué)習(xí)處理 114
6.5.1 預(yù)處理 115
6.5.2 超參數(shù)搜索 117
6.6 本章小結(jié) 121

致謝 122