《Machine Learning in Action》是一本由Peter Harrington编写,Manning出版社出版的机器学习领域的书籍。这本书详细介绍了机器学习的基本概念、理论和应用,强调实战操作,目的是帮助读者通过实例学习和应用机器学习技术。书中内容涉及分类、k-近邻算法、决策树、朴素贝叶斯、逻辑回归等多个机器学习的核心主题。 书中首先介绍了机器学习的基本概念,这是学习后续内容的基础。随后,作者介绍了使用k-最近邻(k-Nearest Neighbors)算法进行分类的方法。k-近邻是一种基本的分类与回归方法,通过测量不同特征值之间的距离来进行分类,它的工作原理是:选择一个对象,找出它最近的k个邻居,然后通过多数表决或者加权平均的方式得到预测的结果。 接下来,书中详细讲解了如何通过决策树(Decision Trees)对数据集进行分类。决策树是一种模拟人类决策过程的方法,它采用树形结构来表示决策过程,从根节点到叶节点代表从问题到答案的路径。在构建决策树时,通常采用信息增益或增益率作为划分数据集的依据。 书中还探讨了使用概率理论进行分类的朴素贝叶斯(naïve Bayes)方法。朴素贝叶斯是一种简单但效果强大的概率分类方法,它基于贝叶斯定理和特征条件独立的假设,尽管这种独立性假设在现实世界中往往不成立,朴素贝叶斯算法仍然在很多实际问题中表现良好。 此外,《Machine Learning in Action》还深入探讨了逻辑回归(Logistic Regression),这不仅是一种用于二分类问题的回归分析方法,也可以被拓展到多类别分类问题中。逻辑回归通过使用逻辑函数来预测一个事件发生的概率,并通过这个概率来判定具体的分类结果。 在结构上,该书分为多个部分,每个部分都包含了对机器学习特定主题的讲解和相关代码实现。通过阅读这本书,读者不仅可以理解各种机器学习算法背后的数学原理,还能够学会如何在实际项目中使用Python编程语言来实现这些算法,具有很高的实用价值。 书籍的信息、订购方式和出版社信息也在内容中提及。出版信息显示这本书的版权归属于Manning Publications Co.,并且对图书的复制、存储、传输都有严格的版权保护,未经出版社书面许可,不得以任何形式复制书籍内容。出版社强调了使用酸性无痕纸印刷书籍的重要性,并透露出版社致力于环保,使用至少15%的回收纸张,并且在加工过程中不使用元素氯。Manning Publications Co.还在书中展示了联系信息,包括联系邮箱、地址、纸张印刷信息以及ISBN编号。 《Machine Learning in Action》是一本深入浅出地介绍机器学习技术的实用书籍,适合对机器学习感兴趣的读者学习和参考,可以帮助读者了解机器学习的概念和实操,并且适用于需要使用机器学习技术解决实际问题的专业人士。
剩余381页未读,继续阅读
- 粉丝: 16
- 资源: 3
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助