集成學(xué)習(xí)實戰(zhàn)

第I部分　集成學(xué)習(xí)基礎(chǔ)知識
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　單個模型中的擬合度與復(fù)雜性    8
1.3.1　決策樹回歸     8
1.3.2　支持向量回歸     12
1.4　第一個集成模型      15
1.5　集成方法的術(shù)語和分類      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：重采樣和模型結(jié)合     28
2.2.2　實現(xiàn)Bagging法    31
2.2.3　使用scikit-learn實現(xiàn)Bagging法     33
2.2.4　使用并行化進行更快的訓(xùn)練    35
2.3　隨機森林      36
2.3.1　隨機決策樹      36
2.3.2　使用scikit-learn實現(xiàn)隨機森林   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　隨機子空間和random patch法   41
2.4.3　極度隨機樹      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、隨機森林和極度隨機樹    44
2.5.3　隨機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)合強學(xué)習(xí)器      53
3.1　異質(zhì)集成的基礎(chǔ)估計器      54
3.1.1　擬合基礎(chǔ)估計器      55
3.1.2　基礎(chǔ)估計器的單個預(yù)測    58
3.2　通過加權(quán)結(jié)合預(yù)測    60
3.2.1　多數(shù)投票     62
3.2.2　準確率加權(quán)      63
3.2.3　熵加權(quán)法     65
3.2.4　Dempster-Shafer結(jié)合      67
3.3　通過元學(xué)習(xí)結(jié)合預(yù)測      69
3.3.1　Stacking      70
3.3.2　通過交叉驗證進行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　直覺法：使用加權(quán)樣本進行學(xué)習(xí)    90
4.2.2　實現(xiàn)AdaBoost     93
4.2.3　使用scikit-learn的AdaBoost    99
4.3　AdaBoost在實踐中的應(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：手寫數(shù)字分類    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　將回歸作為分類的弱學(xué)習(xí)算法    113
4.5.3　實現(xiàn)LogitBoost      113
4.6　小結(jié)      116
第5章　順序集成：梯度提升      117
5.1　用梯度下降實現(xiàn)最小化     118
5.1.1　舉例說明梯度下降      119
5.1.2　在損失函數(shù)上進行梯度下降訓(xùn)練     125
5.2　梯度提升：梯度下降 提升     128
5.2.1　直覺：使用殘差學(xué)習(xí)     128
5.2.2　實現(xiàn)梯度提升    132
5.2.3　使用scikit-learn進行梯度提升     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稱為“輕量級”    140
5.3.2　利用LightGBM進行梯度提升     142
5.4　LightGBM在實踐中的應(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　舉例說明牛頓法     160
6.1.2　訓(xùn)練過程中的損失函數(shù)的牛頓下降·     165
6.2　牛頓提升：牛頓法 Boosting    167
6.2.1　直覺：使用加權(quán)殘差進行學(xué)習(xí)    167
6.2.2　直覺：使用正則化損失函數(shù)進行學(xué)習(xí)    170
6.2.3　實現(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)和計數(shù)標簽      193
7.1　回歸的簡要回顧     194
7.1.1　連續(xù)標簽的線性回歸     194
7.1.2　用于計數(shù)標簽的泊松回歸    200
7.1.3　用于分類標簽的邏輯回歸    203
7.1.4　廣義線性模型    204
7.1.5　非線性回歸     205
7.2　回歸的并行集成     208
7.2.1　隨機森林和極度隨機樹     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     221
7.4.1　UCI自行車共享數(shù)據(jù)集    222
7.4.2　GLM和Stacking·       224
7.4.3　隨機森林和極度隨機樹     227
7.4.4　XGBoost和LightGBM    228
7.5　小結(jié)      231
第8章　學(xué)習(xí)分類特征      233
8.1　編碼分類特征      234
8.1.1　分類特征的類型     235
8.1.2　有序編碼和獨熱編碼     235
8.1.3　使用目標統(tǒng)計信息進行編碼   238
8.1.4　類別編碼器包    244
8.2　CatBoost：有序提升框架    247
8.2.1　有序目標統(tǒng)計和有序提升    247
8.2.2　無意識決策樹    249
8.2.3　CatBoost實踐    250
8.3　案例研究：收入預(yù)測     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(和決策規(guī)則)     273
9.1.3　廣義線性模型    276
9.2　案例研究：數(shù)據(jù)驅(qū)動的營銷    278
9.2.1　銀行營銷數(shù)據(jù)集     279
9.2.2　訓(xùn)練集成      281
9.2.3　樹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     303
9.5.2　EBM實踐      306
9.6　小結(jié)      309
結(jié)語       311