集成式學習：Python 實踐！整合全部技術，打造最強模型


	別再傻傻只選一個模型　　訓練很多模型，卻不知道應該選哪一個？沒有一個模型達標？每個模型都有其優缺點，無法取捨？　　小朋友才做選擇，大人全都要！你該試試集成式學習！　　集成式學習是使用 2 種或更多的機器學習演算法，來組合出預測能力更好的模型。DeepMind 已經使用集成式學習來組合多個神經網路，控制 Google 資料中心的運作效能；集成式學習技術也在 Kaggle 平台上，席捲了各個競賽的第一名寶座。因此，集成式學習是建立出更具威力的模型，不可或缺的技術之一。　　本書會介紹實務上常見的集成式學習演算法，如硬投票、軟投票、堆疊法、自助聚合法、適應提升法、梯度提升法、隨機森林、極端隨機樹等，並且使用熱門的 scikit-learn、Keras、OpenEnsembles、XGBoost 等 Python 函式庫來實作各種不同的集成式學習技術，建構出一個強大的模型。熟稔本書的內容後，不但可以精通集成式學習，在實際情境中面對問題時，亦能具備充分的專業知識判斷適用的集成式學習方法，並成功實作它們。　　書中採用「做中學」的方式，讓你不僅可以快速掌握理論基礎，也能了解各種集成式學習技術的實作，再加上運用真實世界中的資料集，你將能夠建立出更佳的機器學習模型，以解決各種問題，包含迴歸、分類、分群。　　現在翻開本書，讓我們一起進入集成式學習的世界，整合你所會的全部技術，打造最強大的模型。本書特色　　● 繁體中文第 1 本集成式學習專書，告訴你不要再傻傻地只選一個模型　　● 完整介紹集成式學習中常見的演算法，包含極端隨機樹、堆疊法、自助聚合法、提升法等　　● 一書掌握實作集成式學習的必備套件，如 Scikit-Learn、OpenEnsembles、XGBoost 等　　● 用 Python 刻演算法給你看，接著告訴你怎麼用套件。讓你不只會做，還懂為什麼這麼做　　● 以 5 個實務案例來展示集成式學習的威力　　● 本書由施威銘研究室監修，內容易讀易懂，並加入大量「小編補充」補充必要知識　　● 本書 Python 範例程式免費下載


	目錄前言第一篇機器學習基礎知識第 1 章機器學習的概念 1.1 資料集 1.2 監督式學習與非監督式學習 13 效能指標（Performance Measures） 1.4 模型驗證（Validation） 1.5 機器學習演算法 1.6 小結第 2 章初探集成式學習（Ensemble Learning） 2.1 何謂偏誤與變異 2.2 評估偏誤與變異 2.3 集成式學習（Ensemble Learning） 2.4 小結第二篇非生成式演算法第 3 章投票法（Voting） 3.1 多數決投票 3.2 使用 Python 實作硬投票 3.3 使用 Python 實作軟投票 3.4 小編補充：加權軟投票 3.5 小結第 4 章堆疊法（Stacking） 4.1 超學習（Meta-learning） 4.2 超學習器的訓練資料集 4.3 超學習器的測試資料集 4.4 選擇學習器（Learner） 4.5 使用堆疊法處理迴歸問題 4.6 使用堆疊法處理分類問題 4.7 建立堆疊的函式 4.8 小編補充：堆疊的其他技巧 4.9 小結第三篇生成式演算法第 5 章自助聚合法（Bootstrap Aggregation） 5.1 自助抽樣法 5.2 自助聚合法的原理 5.3 使用 Python 實作自助聚合法的完整機制 5.4 平行化（Parallelize）自助聚合法 5.5 使用 scikit-learn 提供的自助聚合法處理分類問題 5.6 使用 scikit-learn 提供的自助聚合法處理迴歸問題 5.7 小結第 6 章提升法（Boosting） 6.1 適應提升（Adaptive Boosting, AdaBoost） 6.2 使用 Python 實作適應提升的完整機制 6.3 使用 scikit-learn 提供的適應提升處理分類問題 6.4 使用 scikit-learn 提供的適應提升處理迴歸問題 6.5 梯度提升（Gradient Boosting） 6.6 使用 Python 實作梯度提升的完整機制 6.7 使用 scikit-learn 提供的梯度提升處理迴歸問題 68 使用 scikit-learn 提供的梯度提升處理分類問題 6.9 使用 XGBoost 提供的梯度提升處理迴歸問題 610 使用 XGBoost 提供的梯度提升處理分類問題 6.11 小結第 7 章隨機森林（Random Forest） 7.1 建立隨機森林 7.2 使用 scikit-learn 提供的隨機森林處理分類問題 73 使用 scikit-learn 提供的隨機森林處理迴歸問題 7.4 使用 scikit-learn 提供的極端隨機樹處理分類問題 7.5 使用 scikit-learn 提供的極端隨機樹處理迴歸問題 7.6 小結第四篇分群第 8 章分群（Clustering） 8.1 分群演算法 8.2 使用 scikit-learning 提供的 K 平均法來處理分群問題 8.3 使用投票法集成非監督式學習的基學習器 8.4 使用 OpenEnsemble 集成非監督式學習的基學習器 8.5 使用圖閉合（Graph Closure）集成非監督式學習的基學習器 8.6 使用共現鏈（Co-occurrence Linkage）集成非監督式學習的基學習器 8.7 小結第五篇 5 個實務案例第 9 章檢測詐騙交易 9.1 初探資料集 9.2 探索式資料分析 9.3 投票法 9.4 堆疊法 9.5 自助聚合法 9.6 適應提升法 9.7 梯度提升法 9.8 隨機森林 9.9 不同方法的分析比較 9.10 小結第 10 章預測比特幣價格 10.1 時間序列資料 10.2 比特幣資料分析 10.3 建立基準模型 10.4 計算 Sharpe 值 10.5 投票法 10.6 堆疊法 10.7 自助聚合法 10.8 提升法 10.9 隨機森林 10.10 小結第 11 章推特（Twitter）情感分析 11.1 情感分析工具 11.2 取得 Twitter 資料 11.3 建立模型 11.4 即時分類推文 11.5 小結第 12 章推薦電影 12.1 推薦系統 12.2 神經網路推薦系統 12.3 使用 Keras 實作使用點積的神經網路 12.4 使用 Keras 實作自行探索網路結構的神經網路 12.5 集成多個神經網路，建立推薦系統 12.6 小編補充：集成神經網路的參數 12.7 小結第 13 章世界幸福報告分群 13.1 世界幸福報告 13.2 使用原始特徵建立集成模型 13.3 使用正規化特徵建立集成模型 13.4 使用 t-分布隨機鄰居嵌入降維後特徵建立集成模型 13.5 觀察分群結果 13.6 小結後記