內容簡介 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