目录

配套资源第1章机器学习概述1

1.1机器学习发展史1

1.2机器学习基本概念3

1.3机器学习分类4

1.4机器学习的一般步骤5

1.5本书实验环境介绍6

1.5.1Weka的安装与使用6

1.5.2Anaconda的安装与使用11

1.5.3Sklearn的安装与使用12

第2章数据预处理21

2.1缺失值处理方法21

2.2离散化方法23

2.2.1等宽离散化23

2.2.2等频离散化24

2.2.3其他离散化方法26

2.3数据规范化方法27

2.3.1最小最大规范化27

2.3.2Zscore规范化28

2.3.3小数定标规范化29

2.4属性（特征）选择方法30

2.4.1过滤式30

2.4.2包裹式32

2.4.3嵌入式32

2.4.4Weka中的属性选择32

2.4.5Sklearn中的属性选择35

2.5特征提取方法36

2.5.1主成分分析方法36

2.5.2流形学习方法37

2.5.3Weka中的特征提取38

2.5.4Sklearn中的特征提取39

2.6数据集划分方法41

2.6.1常见数据集划分方法41

2.6.2基于Weka分割数据集42

2.6.3基于Sklearn分割数据集42

2.7不平衡数据集处理方法45

2.7.1常见处理方法45

2.7.2基于Weka处理不平衡数据集46

2.7.3基于Python处理不平衡数据集48

第3章模型评估方法51

3.1分类模型评估方法51

3.1.1基本方法51

3.1.2基于Weka的分类模型评估54

3.1.3基于Sklearn的分类模型评估56

3.2回归模型评估方法59

3.2.1基本方法59

3.2.2基于Weka的回归模型评估60

3.2.3基于Sklearn的回归模型评估61

3.3聚类模型评估方法63

3.3.1外部评估方法63

3.3.2内部评估方法64

3.3.3基于Weka的聚类模型评估65

3.3.4基于Sklearn的聚类模型评估69

第4章回归方法71

4.1线性回归方法71

4.2逻辑回归72

4.3回归算法应用与实践74

4.3.1基于Weka的逻辑回归实践74

4.3.2基于Sklearn的逻辑回归实践77

第5章基于实例的方法85

5.1KNN算法85

5.2KNN应用与实践88

5.2.1基于Weka的KNN分类实践88

5.2.2基于Sklearn的KNN分类实践90第6章决策树方法97

6.1ID3算法97

6.2C4.5算法99

6.3CART算法101

6.4决策树方法应用与实践103

6.4.1基于Weka的决策树分类103

6.4.2基于Sklearn的决策树分类105

第7章朴素贝叶斯方法110

7.1贝叶斯方法110

7.2朴素贝叶斯方法111

7.3朴素贝叶斯方法应用与实践112

7.3.1基于Weka的朴素贝叶斯分类实践113

7.3.2基于Sklearn的朴素贝叶斯分类实践114

第8章聚类方法117

8.1K均值聚类117

8.2层次聚类方法119

8.3密度聚类方法120

8.4谱聚类方法121

8.5聚类方法应用与实践122

8.5.1基于Weka的聚类实践122

8.5.2基于Sklearn的聚类实践128

第9章支持向量机方法135

9.1基本概念135

9.2线性SVM137

9.3非线性SVM137

9.4支持向量机方法应用与实践138

9.4.1基于Weka的支持向量机实践138

9.4.2基于Sklearn的支持向量机实践140

第10章人工神经网络144

10.1基本概念144

10.2人工神经网络的发展145

10.3人工神经网络的基本结构148

10.3.1神经元的工作原理148

10.3.2人工神经网络的工作流程150

10.4神经网络方法应用与实践153

10.4.1基于Weka的神经网络实践154

10.4.2基于Sklearn的神经网络实践156

第11章信用卡欺诈预测164

11.1数据集164

11.2基于Weka的信用卡欺诈预测164

11.2.1数据预处理164

11.2.2基于朴素贝叶斯的信用卡欺诈预测167

11.2.3基于决策树的信用卡欺诈预测169

11.3基于Sklearn的信用卡欺诈预测171

11.3.1数据预处理171

11.3.2基于朴素贝叶斯的信用卡欺诈预测172

11.3.3基于决策树的信用卡欺诈预测175

第12章高光谱遥感数据分类181

12.1数据集181

12.2基于Weka的高光谱遥感数据分类183

12.2.1数据预处理183

12.2.2基于支持向量机的高光谱遥感数据分类183

12.2.3基于随机森林的高光谱遥感数据分类184

12.3基于Sklearn的高光谱遥感数据分类186

12.3.1数据预处理186

12.3.2基于支持向量机的高光谱遥感数据预测187

12.3.3基于随机森林的高光谱遥感数据分类188

第13章成年人收入预测192

13.1数据集192

13.2基于Weka的成年人收入预测192

13.2.1数据预处理193

13.2.2基于决策树的成年人收入预测分类194

13.2.3基于朴素贝叶斯的成年人收入预测分类196

13.3基于Sklearn的成年人收入预测196

13.3.1数据预处理196

13.3.2基于决策树的成年人收入预测分类200

13.3.3基于朴素贝叶斯的成年人收入预测分类208

参考文献213