深入理解XGBoost：高效机器学习算法与进阶

封面

版权信息

前言

第1章 机器学习概述

1.1 何谓机器学习

1.2 集成学习发展与XGBoost提出

1.3 小结

第2章 XGBoost骊珠初探

2.1 搭建Python机器学习环境

2.2 搭建XGBoost运行环境

2.3 示例：XGBoost告诉你蘑菇是否有毒

2.4 小结

第3章 机器学习算法基础

3.1 KNN

3.2 线性回归

3.3 逻辑回归

3.4 决策树

3.5 正则化

3.6 排序

3.7 人工神经网络

3.8 支持向量机

3.9 小结

第4章 XGBoost小试牛刀

4.1 XGBoost实现原理

4.2 二分类问题

4.3 多分类问题

4.4 回归问题

4.5 排序问题

4.6 其他常用功能

4.7 小结

第5章 XGBoost原理与理论证明

5.1 CART

5.2 Boosting算法思想与实现

5.3 XGBoost中的Tree Boosting

5.4 切分点查找算法

5.5 排序学习

5.6 DART

5.7 树模型的可解释性

5.8 线性模型原理

5.9 系统优化

5.10 小结

第6章 分布式XGBoost

6.1 分布式机器学习框架Rabit

6.2 资源管理系统YARN

6.3 可移植分布式XGBoost4J

6.4 基于Spark平台的实现

6.5 基于Flink平台的实现

6.6 基于GPU加速的实现

6.7 小结

第7章 XGBoost进阶

7.1 模型训练、预测及解析

7.2 树模型更新

7.3 目标函数

7.4 评估函数

7.5 小结

第8章 模型选择与优化

8.1 偏差与方差

8.2 模型选择

8.3 超参数优化

8.4 XGBoost超参数优化

8.5 小结

第9章 通过XGBoost实现广告分类器

9.1 PCA

9.2 通过XGBoost实现广告分类器

9.3 小结

第10章 基于树模型的其他研究与应用

10.1 GBDT、LR融合提升广告点击率

10.2 mGBDT

10.3 DEF

10.4 一种基于树模型的强化学习方法