思维导图备注

机器学习基础：从入门到求职 - 胡欢武
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

第4章 朴素贝叶斯

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-02-23 23:04:25
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 扉页
  • 版权信息
  • 前言
  • 目录
  • 第1章 机器学习概述
    • 1.1 机器学习介绍
    • 1.2 机器学习分类
    • 1.3 机器学习方法三要素
  • 第2章 机器学习工程实践
    • 2.1 模型评估指标
    • 2.2 模型复杂度度量
    • 2.3 特征工程与模型调优
  • 第3章 线性回归
    • 3.2 线性回归模型
    • 3.3 线性回归的scikit-learn实现
    • 3.4 线性回归实例
    • 3.5 小结
  • 第4章 朴素贝叶斯
    • 4.2 相关原理
    • 4.3 朴素贝叶斯的三种形式及scikit-learn实现
    • 4.4 中文文本分类项目
    • 4.5 小结
  • 第5章 K近邻
    • 5.2 K近邻分类原理
    • 5.3 K近邻回归原理
    • 5.4 搜索优化——KD树
    • 5.5 K近邻的scikit-learn实现
    • 5.6 K近邻应用实例
    • 5.7 小结
  • 第6章 决策树
    • 6.2 特征选择
    • 6.3 决策树的生成
    • 6.4 决策树的剪枝
    • 6.5 决策树的scikit-learn实现
    • 6.6 决策树应用于文本分类
    • 6.7 小结
  • 第7章 Logistic回归
    • 7.2 Logistic回归原理
    • 7.3 多项Logistic回归
    • 7.4 Logistic回归的scikit-learn实现
    • 7.5 Logistic回归实例
    • 7.6 小结
  • 第8章 支持向量机
    • 8.2 硬间隔支持向量机
    • 8.3 软间隔支持向量机
    • 8.4 合页损失函数
    • 8.5 非线性支持向量机
    • 8.6 SVM模型的scikit-learn实现
    • 8.7 SVM模型实例
    • 8.8 小结
  • 第9章 随机森林
    • 9.1 Bagging模型
    • 9.2 随机森林
    • 9.3 RF的推广——extra trees
    • 9.4 RF的scikit-learn实现
    • 9.5 RF的scikit-learn使用实例
    • 9.6 小结
  • 第10章 AdaBoost
    • 10.1 AdaBoost的结构
    • 10.2 AdaBoost的原理
    • 10.3 AdaBoost的scikit-learn实现
    • 10.4 AdaBoost使用实例
    • 10.5 AdaBoost的优/缺点
  • 第11章 提升树
    • 11.2 梯度提升树
    • 11.3 XGBoost
  • 第12章 聚类
    • 12.2 K-Means聚类
    • 12.3 层次聚类
    • 12.4 密度聚类
    • 12.5 谱聚类
    • 12.6 高斯混合聚类
  • 第13章 降维
    • 13.1 奇异值分解
    • 13.2 主成分分析
    • 13.3 线性判别分析
    • 13.4 局部线性嵌入
  • 第14章 Word2Vec和Doc2Vec词向量模型
    • 14.2 Doc2Vec模型
  • 第15章 深度神经网络模型
    • 15.1 深度学习
    • 15.2 神经网络原理
    • 15.3 神经网络应用实例
    • 15.4 小结
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《机器学习基础：从入门到求职 - 胡欢武》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度