本书以Python机器学习常用技术与真实案例相结合的方式,深入浅出地介绍了Python机器学习应用的主要内容。全书共11章,分别介绍了机器学习概述、数据准备、特征工程、有监督学习、无监督学习、智能**的相关知识,并介绍了市财政收入分析案例、基于非侵入式电力负荷监测与分解的电力分析案例、航空公司客户价值分析案例、广电大数据营销**案例以及基于TipDM数据挖掘建模平台实现航空公司客户价值分析案例。每章都包含了课后习题,帮助读者巩固所学的内容。 本书可以作为高校数据科学或人工智能的相关专业教材,也可以作为机器学习爱好者的自学用书。

第 1章 机器学习概述1 1.1 机器学习简介 1 1.1.1 机器学习的概念 1 1.1.2 机器学习的应用领域 1 1.2 机器学习通用流程 3 1.2.1 目标分析 4 1.2.2 数据准备 5 1.2.3 特征工程 6 1.2.4 模型训练 7 1.2.5 性能度量与模型调优 7 1.3 Python机器学习工具库简介 7 1.3.1 数据准备相关工具库 8 1.3.2 数据可视化相关工具库 8 1.3.3 模型训练与评估相关工具库 9 小结 10 课后习题 10 第 2章 数据准备 13 2.1 数据质量校验 13 2.1.1 一致性校验 13 2.1.2 缺失值校验 16 2.1.3 异常值分析 17 2.2 数据分布与趋势探查 18 2.2.1 分布分析 18 2.2.2 对比分析 22 2.2.3 描述性统计分析 26 2.2.4 周期性分析 28 2.2.5 贡献度分析 30 2.2.6 相关性分析 31 2.3 数据清洗 35 2.3.1 缺失值处理 35 2.3.2 异常值处理 39 2.4 数据合并 39 2.4.1 数据堆叠 40 2.4.2 主键合并 43 小结 45 课后习题 45 第3章 特征工程 48 3.1 特征变换 48 3.1.1 特征缩放 48 3.1.2 独热编码 52 3.1.3 离散化 53 3.2 特征选择 56 3.2.1 过滤式选择 57 3.2.2 包裹式选择 58 3.2.3 嵌入式选择 58 3.2.4 字典学习 59 小结 64 课后习题 64 第4章 有监督学习 67 4.1 有监督学习简介 67 4.2 性能度量 67 4.2.1 分类任务性能度量 68 4.2.2 回归任务性能度量 70 4.3 线性模型 70 4.3.1 线性模型简介 70 4.3.2 ���性回归 70 4.3.3 逻辑回归 73 4.4 k近邻分类 76 4.5 决策树 78 4.5.1 决策树简介 78 4.5.2 ID3算法 79 4.5.3 C4.5算法 81 4.5.4 CART算法 84 4.6 支持向量机 86 4.6.1 支持向量机简介 86 4.6.2 线性支持向量机 87 4.6.3 非线性支持向量机 91 4.7 朴素贝叶斯 94 4.8 神经网络 98 4.8.1 神经网络介绍 98 4.8.2 BP神经网络 99 4.9 集成学习 103 4.9.1 Bagging 104 4.9.2 Boosting 106 4.9.3 Stacking 109 小结 111 课后习题 111 第5章 无监督学习 113 5.1 无监督学习简介 113 5.2 降维 113 5.2.1 PCA 114 5.2.2 核化线性降维 116 5.3 聚类任务 119 5.3.1 性能度量 119 5.3.2 距离计算 120 5.3.3 原型聚类 121 5.3.4 密度聚类 128 5.3.5 层次聚类 131 小结 133 课后习题 133 第6章 智能** 135 6.1 智能**简介 135 6.1.1 什么是**系统 135 6.1.2 智能**的应用 135 6.2 智能**性能度量 137 6.2.1 离线实验评价指标 137 6.2.2 用户调查评价指标 139 6.2.3 在线实验评价指标 140 6.3 基于关联规则的智能** 140 6.3.1 关联规则和频繁项集 140 6.3.2 Apriori 141 6.3.3 FP-Growth 145 6.4 基于协同过滤的智能** 150 6.4.1 基于用户的协同过滤 150 6.4.2 基于物品的协同过滤 153 小结 157 课后习题 157 第7章 市财政收入分析 160 7.1 目标分析 160 7.1.1 背景 160 7.1.2 数据说明 160 7.1.3 分析目标 161 7.2 数据准备 162 7.3 特征工程 164 7.3.1 Lasso回归 164 7.3.2 特征选择 164 7.4 模型训练 165 7.4.1 灰色预测模型 165 7.4.2 关键特征预测 166 7.4.3 SVR模型预测 168 7.5 性能度量 169 小结 171 课后习题 171 第8章 基于非侵入式电力负荷监测与分解的电力分析 172 8.1 目标分析 172 8.1.1 背景 172 8.1.2 数据说明 173 8.1.3 分析目标 175 8.2 数据准备 176 8.2.1 数据探索 176 8.2.2 缺失值处理 179 8.3 特征工程 181 8.3.1 设备数据 181 8.3.2 周波数据 182 8.4 模型训练 183 8.5 性能度量 185 小结 189 课后习题 189 第9章 航空公司客户价值分析 190 9.1 目标分析 190 9.1.1 背景 190 9.1.2 数据说明 191 9.1.3 分析目标 192 9.2 数据准备 192 9.2.1 数据探索 192 9.2.2 数据清洗 193 9.3 特征工程 193 9.3.1 特征构造 193 9.3.2 特征选择 195 9.3.3 特征变换 196 9.4 模型训练 198 9.5 性能度量 199 9.5.1 结果分析 199 9.5.2 客户价值分析 201 小结 202 课后习题 202 第 10章 广电大数据营销** 205 10.1 目标分析 205 10.1.1 背景 205 10.1.2 数据说明 206 10.1.3 分析目标 208 10.2 数据准备 209 10.2.1 数据获取 209 10.2.2 数据清洗 209 10.2.3 数据探索分析 216 10.3 特征工程 222 10.3.1 特征构造 222 10.3.2 节目信息的获取 244 10.4 模型构建 247 10.4.1 基于物品的协同过滤算法的**模型 248 10.4.2 基于Simple TagBased TF-IDF算法的标签**模型 250 10.4.3 Popular流行度**模型 254 10.5 性能度量 255 10.6 结果分析 258 小结 258 课后习题 259 第 11章 基于TipDM数据挖掘建模平台实现航空公司客户价值分析 260 11.1 平台简介 260 11.1.1 首页 261 11.1.2 数据源 261 11.1.3 工程 263 11.1.4 系统组件 263 11.1.5 TipDM数据挖掘建模平台的本地化部署 264 11.2 快速构建航空公司客户价值分析工程 267 11.2.1 数据获取 267 11.2.2 数据准备 270 11.2.3 特征工程 273 11.2.4 模型训练 275 小结 277 课后习题 277 参考文献 278