集成學習入門與實戰：原理、算法與應用

《集成學習入門與實戰：原理、算法與應用》
通過6章內容全面地解讀了集成學習的基礎知識、集成學習技術、集成學習庫和實踐應用。
其中集成學習技術包括採樣、Bagging、投票集成、Boosting、AdaBoost、梯度提升、XGBoost、
Stacking、隨機森林、決策樹等，從混合訓練數據到混合模型，再到混合組合，邏輯嚴謹、逐步講解；
同時也對ML-集成學習、Dask、LightGBM、AdaNet等集成學習庫相關技術進行了詳細解讀；
後通過相關實踐對集成學習進行綜合性應用。
本書配有邏輯框圖、關鍵代碼及代碼分析，使讀者在閱讀中能夠及時掌握算法含義和對應代碼。
本書適合集成學習的初學者和機器學習方向的從業者和技術人員閱讀學習，
也適合開設機器學習等算法課程的高等院校師生使用。

Alok Kumar

是Publicis Sapient的一位AI從業者和創新領導者。
他在領導戰略計劃和推動尖端、快節奏創新方面擁有豐富經驗，作品也獲得了多個獎項。
他熱衷於AI知識的大眾化，在印度首都的NCR管理多個非營利學習和創意團體。

Mayank Jain

是Publicis Sapient Kepler創新實驗室的技術經理和AI/ ML專家。
他在尖端項目方面擁有過十年的工作經驗，這些項目涉及深度學習、
機器學習和計算機視覺等技術，讓計算機看到和思考。
他曾為多份國際出版物撰稿，以自己的名義擁有多項專利，並因其貢獻多次獲獎。

1章 為什麼需要集成學習 001 
1.1 混合訓練數據 003 
1.2 混合模型 004 
1.3 混合組合 008 
1.4 本章小結 009 

2章 混合訓練數據 011 
2.1 決策樹 013 
2.2 數據集採樣 018 
2.2.1 不替換採樣（WOR） 018 
2.2.2 替換採樣（WR） 019 
2.3 Bagging（裝袋算法） 021 
2.3.1 k重交驗證 024 
2.3.2 分層的k重交驗證 026 
2.4 本章小結 028 

3章 混合模型 029 
3.1 投票集成 030 
3.2 硬投票 031 
3.3 均值法/軟投票 033 
3.4 參數調試集成 036 
3.5 水平投票集成 038 
3.6 快照集成 044 
3.7 本章小結 046 

4章 混合組合 047 
4.1 Boosting（提升算法） 048 
4.1.1 AdaBoost（自適應提升算法） 049 
4.1.2 Gradient Boosting（梯度提升算法） 051 
4.1.3 XGBoost（極端梯度提升算法） 053 
4.2 Stacking（堆疊算法） 055 
4.3 本章小結 058 

5章 集成學習庫 059 
5.1 ML-集成學習 060 
5.1.1 多層集成 063 
5.1.2 集成模型的選擇 064 
5.2 通過Dask擴展XGBoost 069 
5.2.1 Dask數組與數據結構 071 
5.2.2 Dask-ML 076 
5.2.3 擴展XGBoost 079 
5.2.4 微軟LightGBM 082 
5.2.5 AdaNet 088 
5.3 本章小結 090 

6章 實踐指南 092 
6.1 基於隨機森林的特徵選擇 093 
6.2 基於集成樹的特徵轉換 096 
6.3 構建隨機森林分類器預處理程序 103 
6.4 孤立森林進行異常點檢測 110 
6.5 使用Dask庫進行集成學習處理 114 
6.5.1 預處理 115 
6.5.2 參數搜索 117 
6.6 本章小結 121 
致謝 122