Python预测分析实战

封面

版权信息

版权

版权声明

内容提要

前言

本书的目标读者

本书的主要内容

审阅者简介

译者简介

作者简介

第1章 预测分析过程

1.1 技术要求

1.2 什么是预测分析

1.3 回顾预测分析的重要概念

1.4 预测分析过程

1.5 Python数据科学栈概述

1.6 小结

扩展阅读

第2章 理解问题和准备数据

2.1 技术要求

2.2 理解业务问题并提出解决方案

2.3 实践项目——钻石的价格

2.4 实践项目——信用卡违约

2.5 小结

扩展阅读

第3章 理解数据集——探索性数据分析

3.1 技术要求

3.2 什么是EDA

3.3 一元EDA

3.4 二元EDA

3.5 图形化的多元EDA

3.6 小结

扩展阅读

第4章 基于机器学习的数值预测

4.1 技术要求

4.2 机器学习简介

4.3 建模之前的实际考虑

4.4 多元线性回归

4.5 LASSO回归

4.6 kNN

4.7 训练与测试误差

4.8 小结

扩展阅读

第5章 基于机器学习的分类预测

5.1 技术要求

5.2 分类任务

5.3 信用卡违约数据集

5.4 逻辑回归

5.5 分类树

5.6 随机森林

5.7 训练误差对测试误差

5.8 多元分类

5.9 朴素贝叶斯分类器

5.10 小结

扩展阅读

第6章 面向预测分析的神经网络简介

6.1 技术要求

6.2 引入神经网络模型

6.3 TensorFlow和Keras简介

6.4 基于神经网络的回归

6.5 基于神经网络的分类

6.6 训练神经网络模型的“黑暗艺术”

6.7 小结

扩展阅读

第7章 模型评价

7.1 技术要求

7.2 回归模型的评价

7.3 评价分类模型

7.4 k折交叉验证

7.5 小结

扩展阅读

第8章 调整模型和提高性能

8.1 技术要求

8.2 超参数调整

8.3 提高性能

8.4 小结

第9章 基于Dash的模型实现

9.1 技术要求

9.2 模型沟通和/或部署阶段

9.3 Dash简介

9.4 将预测模型实现为网络应用程序

9.5 小结