关于K最近邻算法的新书介绍

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

关于K最近邻算法的新书介绍
回归的K最近邻算法实用介绍（带有Python代码）
介绍
在我遇到的所有机器学习算法中，KNN很容易成为最简单的学习方法。尽管它很简单，但是事实证明它在某些任务上非常有效（正如您将在本文中看到的那样）。
甚至更好？它可以用于分类和回归问题！但是，它广泛用于分类问题。我很少看到在任何回归任务上都实施KNN。我的目的是说明和强调当目标变量本质上是连续的时，KNN如何同样有效。
在本文中，我们将首先了解KNN算法背后的直觉，探讨计算点之间距离的不同方法，然后最后在Big Mart Sales数据集上以Python实现该算法。我们走吧！
目录
一个简单的例子，了解KNN背后的直觉
KNN算法如何工作？
点之间距离的计算方法
如何选择k因子？
处理数据集
额外资源
K最近邻居演示
通过此交互式演示，您可以探索K最近邻算法进行分类。
平面中的每个点都使用将使用K最近邻算法分配给它的类来着色。K最近邻算法导致平局的点被标记为白色。
您可以通过单击和拖动来移动点！
在这里尝试  。
本书适用于忙于处理各种数据的专业人员：工程师，BI分析师，统计学家，运筹学，人工智能和机器学习专业人员，经济学家，数据科学家，生物学家和定量研究人员（从初学者到高管）。在大约300页和28章中，它涵盖了许多新主题，为该主题提供了全新的视角，包括易于自动化或集成到黑匣子系统中的经验法则和配方，以及无模型的新数据，推动统计科学和预测分析的基础。该方法侧重于强大的技术；与传统的自上而下的方法相反，它是自下而上的（从应用程序到理论）。具有一年大学水平的统计学和概率知识的从业人员可以访问该材料。精巧的教学风格，
在不使用行话或奥术理论的情况下，用简单的英语讨论了新的想法，高级主题和最新研究。它统一了通常属于不同领域（机器学习，统计学，计算机科学，运筹学，动力系统，数论）的主题，以其他任何书籍都没有的方式扩展了读者的知识和兴趣。本书包含大量精简资料，传统出版物中通常包含1
各章按主题进行组织和分组：自然语言处理（NLP），重采样，时间序列，中心极限定理，统计测试，增强模型（集成方法），技巧和特殊主题，附录等。蓝色文本包含可单击的链接，以为读者提供其他参考。汇总计算的源代码和Excel电子表格也可以作为超链接访问，以方便复制和粘贴或复制。可从此链接访问最新版本  ，仅适用于DSC成员。
关于作者
文森特·格兰维尔（Vincent Granville）是一位初创的企业家，专利所有人，作者，投资者，数据科学家的先驱，在大型和大型公司（eBay，Microsoft，NBC，Wells Fargo，Visa，CNET）中有30年的公司经验，并且曾获得风险投资高管，具有强大的学术和研究背景，包括剑桥大学。
第1部分-机器学习基础知识和NLP
我们介绍一种称为“ 隐藏决策树”的简单集成技术（或增强算法），该技术将鲁棒回归与异常决策树结合使用，在事务评分中非常有用。然后，我们将描述其他原始的和相关的机器学习技术，这些技术可用于对大型数据集进行聚类，通过索引（自然语言处理或NLP技术）来构造非结构化数据，并使用Python代码甚至Excel实现来执行功能选择。
多用途，稳健，伪线性回归-第12页
一种简单的集成方法，包括案例研究（NLP）-第15页
Excel实施-第24页
快速功能选择-第31页
大数据快速无监督群集（NLP）-第36页
构建非结构化数据-第40页
第2部分-应用概率论与统计科学
我们讨论了传统的统计检验，以检测对随机性（零假设）的偏离，并将其应用于行为类似于随机过程的序列（观察值）。中心极限定理（CLT）被重新审视并推广到时间序列（单变量和多变量）和布朗运动中。我们讨论了随机变量和稳定分布的加权和如何与CLT相关联，然后探讨了混合模型-一种更好的框架来表示丰富的现象。应用程序很多，例如包括最佳分档。上一章总结了先前使用的许多统计检验。
测试随机性-第42页
中心极限定理-第48页
更多随机性检验-第55页
随机加权和与稳定分布-第63页
混合模型，最佳分档和深度学习-第73页
时间序列中的远距离相关-第87页
随机数理论和多元时间序列-第95页
统计测试：摘要-第101页
第三部分-统计科学的新基础
我们基于广义重采样，为适合现代机器学习问题的新型统计方法奠定了基础。应用范围很广，从优化交叉验证到计算置信区间，都无需使用经典的统计理论，p值或概率分布。但是，我们引入了一些新的基本定理，其中包括一个关于通用，无模型置信区间的渐近性质的定理。
机器学习的现代重采样技术-第107页
无模型，无假设置信区间-第121页
范围的分布：美丽的概率定理-第133页
第4部分-案例研究，业务应用
这些章节涉及现实生活中的业务应用程序。在第18章的特殊意义上，它具有一个非常原始的业务应用程序（游戏中），该应用程序根据前几章的内容进行了详细描述，并包含所有组件。然后，我们转向更传统的机器学习用例。重点是通过展示如何成功利用数据科学来解决问题，向数据科学经理和高管提供合理的业务建议。演示风格紧凑，侧重于策略而非技术。
植根于机器学习和深度数学的游戏平台-第136页
数字媒体：衰减调整后的排名-第148页
建立网站分类法-第153页
预测房屋价值-第158页
增长黑客-第161页
时间序列和增长建模-第169页
改善Facebook和Google算法-第179页
第5部分-其他主题
在这里，我们涵盖了很多主题，包括样本量问题，自动探索性数据分析，极端事件，离群值，检测聚类数量，p值，随机游走，尺度不变方法，特征选择，增长模型，可视化，密度估计，马尔可夫链，A / B测试，多项式回归，强相关和因果关系，随机几何形状，K最近邻，甚至是使用统计科学计算得出的有趣积分的精确值，仅举几例。
解决常见的机器学习挑战-第187页
耐离群值技术，聚类模拟，轮廓图-第214页
强相关度量-第225页
特殊主题-第229页
附录
再谈线性代数-第266页
随机过程和有组织的混乱-第272页
机器学习和数据科学速查表-第297页

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Microsoft Granville FACEBOOK 探索性数据分析 vincent