集成学习实战

集成学习通过自动对比 多个模型的输出，将输出结 合起来，融合成强大的集成 模型，得出最优结果。集成 学习发挥“集体智慧”，结果 更准确，克服了单一模型的 局限性。这种创新方法能够 综合多个视角的响应；即使 在没有大规模数据集的情况 下，也能给出可靠的预测结 果。 《集成学习实战》呈现 同时应用多种机器学习方法 的实用技巧。每章都列举一 个独特案例（如医学诊断、 情感分析等），展示一个功 能完备的集成方法。本书不 探讨深奥的数学知识，所讲 内容浅显易懂，代码丰富， 供你轻松进行实验！ 主要内容： Bagging法、提升法和梯 度提升法； 分类、回归和检索方法 ； 集成方法的模型和决策 可解释性； 特征工程和集成多样性 。

　　Gautam Kunapuli拥有逾15年的学术界和机器学习行业经验，重点研究人机协作学习、基于知识和建议的学习算法，以及针对机器学习难题的可扩展学习。

第Ⅰ部分 集成学习基础知识 第1章 集成方法：炒作还是福音 1.1 集成方法：集体智慧 1.2 关注集成学习原因 1.3 单个模型中的拟合度与复杂性 1.3.1 决策树回归 1.3.2 支持向量回归 1.4 第一个集成模型 1.5 集成方法的术语和分类 1.6 小结 第Ⅱ部分 基本集成方法 第2章 同质并行集成：Bagging法和随机森林 2.1 并行集成 2.2 Bagging法：Bootstrapl结合算法 2.2.1 直觉：重采样和模型结合 2.2.2 实现Bagging法 2.2.3 使用scikit-learn实现Bagging法 2.2.4 使用并行化进行更快的训练 2.3 随机森林 2.3.1 随机决策树 2.3.2 使用scikit-learn实现随机森林 2.3.3 特征重要十峰 2.4 更多同质并行集成 2.4.1 Pasting 2.4.2 随机子空间和randompatch法 2.4.3 极度随机树 2.5 案例研究：乳腺癌诊断 2.5.1 加载和预处理 2.5.2 Bagging法、随机森林和极度随机树 2.5.3 随机森林中的特征重要性 2.6 小结 第3章 异质并行集成：结合强学习器 3.1 异质集成的基础估计器 3.1.1 拟合基础估计器 3.1.2 基础估计器的单个预测 3.2 通过加权结合预测 3.2.1 多数投票 3.2.2 准确率加权 3.2.3 熵加权法 3.2.4 Dempster-Shafer结合 3.3 通过元学习结合预测 3.3.1 Stacking 3.3.2 通过交叉验证进行Stacking 3.4 案例研究：情感分析 3.4.1 预处理 3.4.2 降低维度 3.4.3 blending分类器 3.5 小结 第4章 顺序集成：自适应提升 4.1 弱学习器的顺序集成