具体描述
在学习和研究机器学习的时候，面临令人眼花缭乱的算法，机器学习新手往往会不知
所措。本书从算法和Python 语言实现的角度，帮助读者认识机器学习。
书专注于两类核心的“算法族”，即惩罚线性回归和集成方法，并通过代码实例来
展示所讨论的算法的使用原则。全书共分为7 章，详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。
本书主要针对想提高机器学习技能的Python 开发人员，帮助他们解决某一特定的项
目或是提升相关的技能。
作者简介
Michael Bowles 在硅谷黑客道场教授机器学习，提供机器学习项目咨询，同时参与了多家创业公司，涉及的领域包括生物信息学、金融高频交易等。他在麻省理工学院获得助理教授教职后，创建并运营了两家硅谷创业公司，这两家公司都已成功上市。他在黑客道场的课程往往听者云集并且好评颇多。
目录信息
1.1为什么这两类算法如此有用
1.2什么是惩罚回归方法
1.3什么是集成方法
1.4算法的选择
1.5构建预测模型的流程
1.5.1构造一个机器学习问题
1.5.2特征提取和特征工程
1.5.3确定训练后的模型的性能
1.6各章内容及其依赖关系
1.7小结
1.8参考文献
第2章通过理解数据来了解问题
2.1“解剖”一个新问题
2.1.1属性和标签的不同类型决定模型的选择
2.1.2新数据集的注意事项
2.2分类问题：用声纳发现未爆炸的水雷
2.2.1“岩石vs水雷”数据集的物理特性
2.2.2“岩石vs水雷”数据集统计特征
2.2.3用分位数图展示异常点
2.2.4类别属性的统计特征
2.2.5利用PythonPandas对“岩石vs水雷”数据集进行统计分析
2.3对“岩石vs水雷数据集”属性的可视化展示
2.3.1利用平行坐标图进行可视化展示
2.3.2属性和标签的关系可视化
2.3.3用热图（heatmap）展示属性和标签的相关性
2.3.4对“岩石vs
2.4基于因素变量的实数值预测鲍鱼的年龄
2.4.1回归问题的平行坐标图—鲍鱼问题的变量关系可视化
2.4.2回归问题如何使用关联热图—鲍鱼问题的属性对关系的可视化
2.5用实数值属性预测实数值目标：评估红酒口感
2.6多类别分类问题：它属于哪种玻璃
小结
参考文献
第3章预测模型的构建：平衡性能、复杂性以及大数据
3.1基本问题：理解函数逼近
3.1.1使用训练数据
3.1.2评估预测模型的性能
3.2影响算法选择及性能的因素——复杂度以及数据
3.2.1简单问题和复杂问题的对比
3.2.2一个简单模型与复杂模型的对比
3.2.3影响预测算法性能的因素
3.2.4选择一个算法：线性或者非线性
3.3度量预测模型性能
3.3.1不同类型问题的性能评价指标
3.3.2部署模型的性能模拟
3.4模型与数据的均衡
3.4.1通过权衡问题复杂度、模型复杂度以及数据集规模来选择模型
3.4.2使用前向逐步回归来控制过拟合
3.4.3评估并理解你的预测模型
3.4.4通过惩罚回归系数来控制过拟合——岭回归
小结
参考文献
第4章惩罚线性回归模型
4.1为什么惩罚线性回归方法如此有效
4.1.1足够快速地估计系数
4.1.2变量的重要性信息
4.1.3部署时的预测足够快速
4.1.4性能可靠
4.1.5稀疏解
4.1.6问题本身可能需要线性模型
4.1.7什么时候使用集成方法
4.2惩罚线性回归：对线性回归进行正则化以获得最优性能
4.2.1训练线性模型：最小化错误以及更多
4.2.2向OLS公式中添加一个系数惩罚项
4.2.3其他有用的系数惩罚项：Manhattan以及ElasticNet
4.2.4为什么套索惩罚会导致稀疏的系数向量
4.2.5ElasticNet惩罚项包含套索惩罚项以及岭惩罚项
4.3求解惩罚线性回归问题
4.3.1理解最小角度回归与前向逐步回归的关系
4.3.2LARS如何生成数百个不同复杂度的模型
4.3.3从数百个LARS生成结果中选择最佳模型
4.3.4使用Glmnet：非常快速并且通用
4.4基于数值输入的线性回归方法的扩展
4.4.1使用惩罚回归求解分类问题
4.4.2求解超过2种输出的分类问题
4.4.3理解基扩展：使用线性方法来解决非线性问题
4.4.4向线性方法中引入非数值属性
小结
参考文献
第5章使用惩罚线性方法来构建预测模型
5.1惩罚线性回归的Python包
5.2多变量回归：预测红酒口感
5.2.1构建并测试模型以预测红酒口感
5.2.2部署前在整个数据集上进行训练
5.2.3基扩展：基于原始属性扩展新属性来改进性能
5.3二分类：使用惩罚线性回归来检测未爆炸的水雷
5.3.1构建部署用的岩石水雷分类器
5.4多类别分类—分类犯罪现场的玻璃样本
小结
参考文献
第6章集成方法
6.1二元决策树
6.1.1如何利用二元决策树进行预测
6.1.2如何训练一个二元决策树
6.1.3决策树的训练等同于分割点的选择
6.1.4二元决策树的过拟合
6.1.5针对分类问题和类别特征所做的修改
6.2自举集成：Bagging算法
6.2.1Bagging算法是如何工作的
6.2.2Bagging算法小结
6.3梯度提升法（GradientBoosting）
6.3.1梯度提升法的基本原理
6.3.2获取梯度提升法的最佳性能
6.3.3针对多变量问题的梯度提升法
6.3.4梯度提升方法的小结
6.4随机森林
6.4.1随机森林：Bagging加上随机属性子集
6.4.2随机森林的性能
6.4.3随机森林小结
6.5小结
6.6参考文献
第7章用Python构建集成模型
7.1用Python集成方法工具包解决回归问题
7.1.1构建随机森林模型来预测红酒口感
7.1.2用梯度提升预测红酒品质
7.2用Bagging来预测红酒口感
7.3Python集成方法引入非数值属性
7.3.1对鲍鱼性别属性编码引入Python随机森林回归方法
7.3.2评估性能以及变量编码的重要性
7.3.3在梯度提升回归方法中引入鲍鱼性别属性
7.3.4梯度提升法的性能评价以及变量编码的重要性
7.4用Python集成方法解决二分类问题
7.4.1用Python随机森林方法探测未爆炸的水雷
7.4.2构建随机森林模型探测未爆炸水雷
7.4.3随机森林分类器的性能
7.4.4用Python梯度提升法探测未爆炸水雷
7.4.5梯度提升法分类器的性能
7.5用Python集成方法解决多类别分类问题
7.5.1用随机森林对玻璃进行分类
7.5.2处理类不均衡问题
7.5.3用梯度提升法对玻璃进行分类
7.5.4评估在梯度提升法中使用随机森林基学习器的好处
7.6算法比较
小结
参考文献
· · · · · · (收起)
读后感
用户评价
我是一个正在为转行做准备的技术从业者，之前的工作内容与数据科学相去甚远，对机器学习更是知之甚少。《Python机器学习》这本书，如同一束光，照亮了我前行的道路。它的优点在于，它不是一本纯粹的理论书，也不是一本纯粹的代码书，而是将理论与实践完美地结合在一起。作者非常注重基础的讲解，从Python环境的搭建、常用库的使用，到数据预处理、特征工程，每一个环节都讲解得非常到位。我尤其喜欢它在介绍算法时，会先用通俗易懂的语言解释算法的思想，然后再展示具体的Python实现。这让我能够理解“为什么”这样做，而不仅仅是“怎么”做。书中的案例也很有代表性，覆盖了分类、回归、聚类等多种常见的机器学习任务，让我能够看到机器学习在不同场景下的应用。通过这本书的学习，我不仅掌握了一系列机器学习的工具和技术，更重要的是，我建立起了一个扎实的机器学习知识体系，为我未来的职业发展奠定了坚实的基础。
这本书绝对是我在学习数据科学道路上的一个里程碑！我之前尝试过一些其他的Python数据分析书籍，但总感觉不够系统，或者说对于初学者来说门槛太高。直到我遇到了《Python机器学习》，才真正点燃了我对这个领域的兴趣。书中从最基础的Python库（如NumPy和Pandas）开始讲起，循序渐进地引导读者掌握数据处理的核心技能。我特别欣赏作者的讲解方式，他不是简单地罗列函数和代码，而是深入浅出地解释了每个概念背后的原理，比如为什么需要向量化操作，Pandas DataFrame的强大之处又体现在哪里。即使是对Python不太熟悉的读者，也能通过这本书快速上手。而且，书中提供的练习题非常实用，我跟着书中的步骤一步步完成，不仅巩固了知识，还学会了如何将理论应用到实际问题中。感觉就像拥有了一个随身携带的导师，随时可以翻阅，总能找到想要的答案和启发。这对我后续深入学习机器学习算法打下了坚实的基础，让我不再害怕那些复杂的数学公式，而是能更专注于理解算法的逻辑和应用场景。
对于有一定Python基础，想进一步探索机器学习领域的我来说，《Python机器学习》这本书简直是量身定做的。我一直对人工智能很感兴趣，但总觉得门槛很高，不知从何下手。这本书打破了我的这种顾虑。它不像某些教科书那样，一上来就抛出大量的理论和公式，而是从最直观的机器学习概念入手，比如什么是监督学习，什么是无监督学习，并且用非常形象的比喻来解释这些抽象的概念。然后，它开始介绍一些常用的机器学习算法，比如线性回归、逻辑回归、决策树等等。最让我惊喜的是，它不仅讲解了算法的原理，还给出了如何在Python中利用Scikit-learn库来实现这些算法的详细步骤，并且配有大量的代码示例。这些代码清晰易懂，可以直接拿来运行和修改。我跟着书中的例子，自己动手实现了几个简单的模型，感觉成就感爆棚！这本书让我切实感受到了机器学习的魅力，也让我看到了自己在这条道路上前进的可能性。它不仅仅是一本书，更像是一个开启我机器学习之旅的钥匙。
作为一名在校的学生，我接触过不少关于机器学习的教材，但很多都过于理论化，或者内容更新得不够及时。《Python机器学习》这本书，给了我耳目一新的感觉。首先，它非常注重实用性，书中提供的代码示例都是基于最新的Python库，可以直接在Jupyter Notebook等环境中运行。其次，它在讲解过程中，始终将理论知识与实际应用相结合，比如在介绍支持向量机时，不仅仅是讲解算法的原理，还详细展示了如何用Scikit-learn来解决一个具体的分类问题。我印象深刻的是，书中对于数据可视化部分的讲解也相当到位，帮助我更直观地理解数据的分布和模型的表现。此外，作者在书中还分享了一些非常实用的机器学习项目经验，比如如何处理不平衡数据集，如何进行特征选择等等，这些都是课堂上很难学到的宝贵经验。这本书让我觉得，机器学习不再是遥不可及的学术概念，而是能够真正解决实际问题的强大工具。
老实说，我之前对机器学习一直持有一种“高不可攀”的态度，觉得那是只有数学天才才能玩转的领域。直到我偶然翻阅了《Python机器学习》，我才发现自己之前的想法有多么片面。这本书的语言风格非常亲切，不像某些学术著作那样晦涩难懂。作者像是和我们平起平坐的朋友一样，一步一步地引导我们走进机器学习的世界。他从最基础的算法开始，比如k-近邻算法，通过生动的例子解释了它的工作原理。然后，他循序渐进地介绍了更复杂的算法，并且重点强调了算法的适用场景以及如何去评估模型的性能。我特别喜欢书中关于模型评估和调优的部分，这部分内容对于实际应用来说至关重要，但很多其他书籍却往往一带而过。这本书的讲解非常透彻，让我理解了如何选择合适的评估指标，以及如何通过调整超参数来提升模型的准确率。我感觉自己不再是被动地接受知识，而是能够主动地去思考和解决问题。
贴代码太罗嗦了，算法分析少
内容简单但是却能反映出算法的核心内容。没有愧对书名。配合代码非常经典的一本书。
贴代码太罗嗦了，算法分析少
code写的很差 但原理很清晰
程序错误不少
