MATLAB機器學習
鄧奮發
- 出版商: 清華大學
- 出版日期: 2025-05-01
- 售價: $414
- 語言: 簡體中文
- ISBN: 7302687552
- ISBN-13: 9787302687559
-
相關分類:
Matlab、Machine Learning
下單後立即進貨 (約4週~6週)
相關主題
商品描述
目錄大綱
第 1 章 機器學習 ............................................................................................................ 1
1.1 機器學習的分類 ........................................................................................................... 1
1.1.1 用監督學習預測未來 ........................................................................................ 2
1.1.2 用無監督學習發現隱藏結構 ............................................................................. 3
1.1.3 用強化學習解決交互問題 ................................................................................. 4
1.1.4 分類和回歸術語 ................................................................................................ 4
1.2 選擇正確的算法 ........................................................................................................... 5
1.3 常用的機器學習算法 .................................................................................................... 7
1.4 機器學習的應用領域 .................................................................................................... 8
第 2 章 MATLAB 軟件 .............................................................................................................10
2.1 MATLAB 數據類型 .................................................................................................... 10
2.1.1 矩陣 ................................................................................................................ 10
2.1.2 元胞數組 ......................................................................................................... 11
2.1.3 結構體 ............................................................................................................ 12
2.1.4 數據存儲 ......................................................................................................... 14
2.1.5 tall 數組 .......................................................................................................... 17
2.1.6 稀疏矩陣 ......................................................................................................... 19
2.1.7 表與分類數組 ................................................................................................. 22
2.1.8 大型 MAT 文件 ............................................................................................... 25
2.2 MATLAB 作圖 ........................................................................................................... 27
2.2.1 二維線圖 ......................................................................................................... 27
2.2.2 通用二維圖形 ................................................................................................. 31
2.2.3 三維點或線圖 ................................................................................................. 32
2.2.4 通用三維圖形 ................................................................................................. 34
第 3 章 數學基礎知識 ..............................................................................................................36
3.1 矩陣的微分 ................................................................................................................ 36
3.1.1 標量與矩陣求導通用的法則 ........................................................................... 36
3.1.2 矩陣和向量求導的通用法則 ........................................................................... 38
3.1.3 MATLAB 的實現 ............................................................................................ 39
3.2 向量和矩陣積分 ......................................................................................................... 41
3.2.1 向量梯度 ......................................................................................................... 41
3.2.2 微分公式 ......................................................................................................... 41
文前.indd 3 2025/4/23 15:19:26 IV MATLAB 機器學習
3.2.3 優化方法 ......................................................................................................... 42
3.2.4 拉格朗日乘子法 .............................................................................................. 42
3.2.5 向量矩陣積分實現 .......................................................................................... 42
3.3 特徵值分解和奇異值分解 .......................................................................................... 43
3.3.1 特徵值分解 ..................................................................................................... 43
3.3.2 奇異值分解 .................................................................................................... 45
3.4 最優化方法 ................................................................................................................ 47
3.4.1 無約束優化方法 .............................................................................................. 47
3.4.2 約束優化與 KKT 條件 .................................................................................... 53
3.4.3 二次規劃 ......................................................................................................... 57
第 4 章 線性回歸分析 ..............................................................................................................60
4.1 線性回歸模型 ............................................................................................................. 60
4.1.1 線性模型 ......................................................................................................... 60
4.1.2 損失函數 ......................................................................................................... 60
4.1.3 隨機梯度下降法 .............................................................................................. 61
4.1.4 線性回歸簡單實現 .......................................................................................... 61
4.2 多元線性回歸 ............................................................................................................. 63
4.3 廣義線性模型 ............................................................................................................. 68
4.3.1 廣義線性模型介紹 .......................................................................................... 69
4.3.2 廣義線性模型實現 .......................................................................................... 69
4.4 多重共線性 ................................................................................................................ 75
4.4.1 什麽是多重共線性 .......................................................................................... 75
4.4.2 多重共性後果 ................................................................................................. 76
4.4.3 多重共線性檢驗 .............................................................................................. 79
4.4.4 多重共線性回歸實現 ...................................................................................... 79
4.5 其他線性回歸 ............................................................................................................. 80
4.5.1 嶺回歸 ............................................................................................................ 81
4.5.2 Lasso 回歸 ...................................................................................................... 82
4.5.3 彈性網絡 ......................................................................................................... 83
4.5.4 逐步回歸 ......................................................................................................... 85
第 5 章 邏輯回歸分析 ..............................................................................................................91
5.1 邏輯回歸概述 ............................................................................................................. 91
5.2 模型表達式 ................................................................................................................ 92
5.3 損失函數 .................................................................................................................... 93
5.3.1 單個樣本評估正確的概率 ............................................................................... 93
5.3.2 所有樣本評估正確的概率 ............................................................................... 93
5.3.3 損失函數 ......................................................................................................... 93
5.4 模型求解 .................................................................................................................... 94
5.5 邏輯回歸的應用 ......................................................................................................... 95
文前.indd 4 2025/4/23 15:19:27 目錄 V
第 6 章 K- 均值聚類算法分析 ...............................................................................................102
6.1 K- 均值聚類算法概述 ............................................................................................... 102
6.1.1 K- 均值聚類算法的思想................................................................................ 102
6.1.2 K- 均值聚類算法的三要素 ............................................................................ 103
6.1.3 K- 均值聚類算法的步驟................................................................................ 103
6.1.4 K- 均值聚類算法的優缺點 ............................................................................ 104
6.1.5 K- 均值聚類算法調優 ................................................................................... 105
6.2 K- 均值聚類算法實現 ............................................................................................... 107
6.2.1 K- 均值聚類算法函數 ................................................................................... 107
6.2.2 K- 均值聚類基於顏色的分割 .........................................................................111
6.3 K- 均值聚類改進算法 ............................................................................................... 114
6.3.1 K-means++ 算法 ........................................................................................... 114
6.3.2 ISODATA 算法 ............................................................................................. 117
第 7 章 決策樹分析 ...............................................................................................................125
7.1 決策樹的簡介 ........................................................................................................... 125
7.2 決策樹的原理 ........................................................................................................... 125
7.2.1 信息熵 .......................................................................................................... 127
7.2.2 信息增益 ....................................................................................................... 127
7.2.3 信息增益率 ................................................................................................... 127
7.2.4 基尼系數 ....................................................................................................... 128
7.3 3 種算法的對比 ........................................................................................................ 129
7.4 剪樹處理 .................................................................................................................. 129
7.4.1 預剪枝 .......................................................................................................... 129
7.4.2 後剪枝 .......................................................................................................... 129
7.5 決策樹的特點 ........................................................................................................... 130
7.6 分類樹的函數 ........................................................................................................... 130
7.6.1 創建分類樹 ................................................................................................... 130
7.6.2 改進分類樹 ................................................................................................... 133
7.6.3 解釋分類樹 ................................................................................................... 134
7.6.4 交叉驗證分類樹 ............................................................................................ 136
7.6.5 測量性能 ....................................................................................................... 138
7.7 決策樹的應用 ........................................................................................................... 141
第 8 章 主成分分析 ...............................................................................................................148
8.1 降維方法 .................................................................................................................. 148
8.2 進行 PCA 的原因 ..................................................................................................... 149
8.3 PCA 數學原理 .......................................................................................................... 149
8.3.1 內積與投影 ................................................................................................... 149
8.3.2 基 .................................................................................................................. 150
8.3.3 基變換的矩陣表示 ........................................................................................ 151
文前.indd 5 2025/4/23 15:19:27 VI MATLAB 機器學習
8.4 PCA 涉及的主要問題 ............................................................................................... 152
8.5 PCA 的優化目標 ...................................................................................................... 153
8.6 PCA 的求解步驟 ...................................................................................................... 154
8.7 PCA 的優缺點與應用場景 ....................................................................................... 154
8.7.1 PCA 方法的優點 ........................................................................................... 155
8.7.2 PCA 方法的缺點 ........................................................................................... 155
8.7.3 PCA 的應用場景 ........................................................................................... 155
8.8 PCA 相關函數 .......................................................................................................... 156
8.9 偏最小二乘回歸和主成分回歸 ................................................................................. 160
第 9 章 支持向量機分析 ........................................................................................................167
9.1 線性分類 .................................................................................................................. 167
9.1.1 邏輯回歸 ....................................................................................................... 167
9.1.2 邏輯回歸表述 SVM ...................................................................................... 168
9.1.3 線性分類簡單實例 ........................................................................................ 168
9.2 硬間隔 ...................................................................................................................... 169
9.2.1 求解間隔 ....................................................................................................... 170
9.2.2 拉格朗日乘數法 ............................................................................................ 171
9.2.3 對偶問題 ....................................................................................................... 172
9.2.4 軟間隔 .......................................................................................................... 173
9.2.5 核（Kernel）函數 ......................................................................................... 175
9.2.6 模型評估和超參數調優................................................................................. 176
9.3 支持向量機的相關函數 ............................................................................................ 178
9.3.1 支持向量機回歸函數 .................................................................................... 178
9.3.2 支持向量機分類函數 .................................................................................... 185
9.4 用於二類分類的支持向量機 ..................................................................................... 192
9.4.1 用高斯核訓練 SVM 分類器 .......................................................................... 192
9.4.2 使用自定義核函數訓練 SVM 分類器 ............................................................ 195
9.4.3 繪制 SVM 分類模型的後驗概率區域 ............................................................ 198
9.4.4 使用線性支持向量機分析圖像 ..................................................................... 200
第 10 章 樸素貝葉斯算法分析 ..............................................................................................203
10.1 貝葉斯公式 ............................................................................................................ 203
10.2 樸素貝葉斯算法的原理 .......................................................................................... 204
10.3 樸素貝葉斯常用模型 .............................................................................................. 205
10.3.1 伯努利樸素貝葉斯模型 ............................................................................... 205
10.3.2 多項式樸素貝葉斯 ...................................................................................... 207
10.3.3 高斯樸素貝葉斯 .......................................................................................... 208
10.4 拉普拉斯平滑 ......................................................................................................... 209
10.5 樸素貝葉斯算法的優缺點 ...................................................................................... 210
10.6 樸素貝葉斯算法的創建函數 ................................................................................... 210
文前.indd 6 2025/4/23 15:19:27 目錄 VII
10.7 樸素貝葉斯算法的實現 .......................................................................................... 212
10.7.1 邏輯回歸模型的貝葉斯分析 ....................................................................... 212
10.7.2 判別分析、樸素貝葉斯分類器和決策樹進行分類 ...................................... 219
第 11 章 隨機森林算法分析 ..................................................................................................227
11.1 集成學習 ................................................................................................................ 227
11.2 集成學習的常見算法 .............................................................................................. 228
11.2.1 Bagging 算法 .............................................................................................. 228
11.2.2 Boosting 算法 .............................................................................................. 228
11.2.3 Stacking 算法 .............................................................................................. 229
11.3 隨機森林算法 ......................................................................................................... 230
11.3.1 隨機森林算法簡介 ...................................................................................... 231
11.3.2 隨機森林算法原理 ...................................................................................... 231
11.3.3 隨機森林算法優缺點 .................................................................................. 232
11.3.4 隨機森林算法功能 ...................................................................................... 233
11.3.5 隨機森林算法實現函數 ............................................................................... 233
11.3.6 隨機森林算法的應用 .................................................................................. 244
第 12 章 神經網絡分析 .........................................................................................................249
12.1 神經網絡的概述 ..................................................................................................... 249
12.1.1 前饋神經網絡 ............................................................................................. 249
12.1.2 前饋神經網絡的應用 .................................................................................. 253
12.2 捲積神經網絡 ......................................................................................................... 258
12.2.1 用捲積代替全連接 ...................................................................................... 258
12.2.2 捲積層 ........................................................................................................ 259
12.2.3 匯聚層 ........................................................................................................ 259
12.2.4 全連接層 ..................................................................................................... 260
12.2.5 典型的捲積神經網絡結構 ........................................................................... 260
12.2.6 幾種典型的捲積神經網絡 ........................................................................... 260
12.2.7 捲積神經網絡實現 ...................................................................................... 263
12.3 循環神經網絡 ......................................................................................................... 267
12.3.1 循環神經網絡概述 ...................................................................................... 267
12.3.2 循環神經網絡的實現 .................................................................................. 272
文前.indd 7 2025/4/23 15:19:27文前.indd 8 2025/4/23 15:19:27
