●深入淺出算法原理 ●輕松實(shí)現(xiàn)上手操作

●真正粉碎數(shù)學(xué)硬核 ●Python語(yǔ)言完整實(shí)現(xiàn)

從會(huì)用到理解，從上手到真正的領(lǐng)域?qū)＜?/p>

機(jī)器學(xué)習(xí)涉及的知識(shí)特別多，令人應(yīng)接不睱；實(shí)際工程應(yīng)用非常廣，令人不得不學(xué)。目前，很多高校開(kāi)設(shè)了人工智能、大數(shù)據(jù)專業(yè)，很多企業(yè)也需要用到人工智能技術(shù)。人工智能、大數(shù)據(jù)基礎(chǔ)的知識(shí)領(lǐng)域自然還是機(jī)器學(xué)習(xí)。于是，學(xué)習(xí)機(jī)器學(xué)習(xí)的人越來(lái)越多。

當(dāng)前市面上已有不少有關(guān)機(jī)器學(xué)習(xí)的圖書。有的淺嘗輒止，一種模型三五頁(yè)就講完了，讓人大致明白但又感覺(jué)不著地；有的滿版公式，讓人不得要領(lǐng)；有的只有理論講解沒(méi)有實(shí)例，讓人不好動(dòng)手練習(xí)。我覺(jué)得根據(jù)讀者對(duì)知識(shí)的學(xué)習(xí)訴求和規(guī)律來(lái)寫作圖書可以解決這些問(wèn)題。我把對(duì)機(jī)器學(xué)習(xí)有學(xué)習(xí)動(dòng)機(jī)的讀者分成三類：

1．會(huì)用即可的讀者。這類讀者的訴求是只要會(huì)用某個(gè)類庫(kù)（如scikit-learn）建立簡(jiǎn)單的機(jī)器學(xué)習(xí)模型、能做數(shù)據(jù)分析和預(yù)測(cè)即可。針對(duì)這類讀者，寫一大堆數(shù)學(xué)公式?jīng)]有意義。

2．想深入學(xué)習(xí)的讀者。這類讀者的訴求是要學(xué)懂每個(gè)模型的數(shù)學(xué)原理，會(huì)推導(dǎo)公式。這類讀者得掌握微積分、線性代數(shù)、概率論、統(tǒng)計(jì)學(xué)這四門課程的知識(shí)。

3．想成為專家的讀者。這類讀者的訴求是要學(xué)習(xí)每種模型的高級(jí)知識(shí)，并能融會(huì)貫通地使用開(kāi)發(fā)工具找到較為理想的模型參數(shù)。那就需要掌握一些更為復(fù)雜的數(shù)據(jù)結(jié)構(gòu)、算法分析與設(shè)計(jì)知識(shí)，并能接受厚重的知識(shí)閱讀量。

為了滿足這三類讀者的訴求，考慮到機(jī)器學(xué)習(xí)的模型眾多，我不打算在本書中講解所有的機(jī)器學(xué)習(xí)模型，而是針對(duì)機(jī)器學(xué)習(xí)中基礎(chǔ)和關(guān)鍵的線性回歸、邏輯回歸、決策樹、貝葉斯、支持向量機(jī)、KNN這六種模型來(lái)進(jìn)行詳細(xì)講解，并采取如下的寫法：

1．第1、2章用于打基礎(chǔ)。講解有關(guān)機(jī)器學(xué)習(xí)的基本概念，說(shuō)明如何使用Python編程做簡(jiǎn)單的開(kāi)發(fā)。

2．對(duì)每個(gè)模型分3章來(lái)講解。第1章滿足會(huì)用即可的讀者；第2章滿足想深入學(xué)習(xí)的讀者；第3章滿足想成為專家的讀者。由于KNN模型相對(duì)簡(jiǎn)單一些，沒(méi)有編寫第3章。

3．每個(gè)模型均有實(shí)例講解。有的使用scikit-learn庫(kù)編程實(shí)現(xiàn)，有的自主編程實(shí)現(xiàn)。我認(rèn)為理解了原理，完全可以自己編程實(shí)現(xiàn)，只是我們沒(méi)有必要這么做。多數(shù)情況下，使用類庫(kù)編程即可，理解原理則還能有目標(biāo)地調(diào)節(jié)參數(shù)來(lái)找到更為理想的模型。

本書有三點(diǎn)特色：

1．語(yǔ)言表達(dá)輕快。我比較喜歡閱讀文字表達(dá)像聊天的圖書，自己寫作也將運(yùn)用這種風(fēng)格，盡管可能會(huì)損失一點(diǎn)數(shù)學(xué)的嚴(yán)謹(jǐn)性。

2．模型講解細(xì)致。對(duì)每個(gè)模型有關(guān)的數(shù)學(xué)知識(shí)、原理、公式推導(dǎo)都講得很細(xì)致。

3．圖表配備眾多。一圖決勝千里，能用圖表達(dá)出原理就用圖表達(dá)。全書一共配了280多幅插圖和80多張表格。

如果讀者能把本書通讀下來(lái)，相信再去閱讀有關(guān)某一種模型的專著和學(xué)術(shù)論文將會(huì)輕松很多，也將能看得懂滿版的數(shù)學(xué)公式；而且用于工程實(shí)踐也不會(huì)是難事，讀者要做的更多的是分析業(yè)務(wù)場(chǎng)景的需求、構(gòu)建模型所需的數(shù)據(jù)。

鑒于作者的水平有限，疏漏之處在所難免，敬請(qǐng)讀者多批評(píng)、指教，我的郵箱是dengziyun@126.com，歡迎來(lái)信溝通交流。

感謝中國(guó)水利水電出版社萬(wàn)水分社的周春元副總經(jīng)理，他經(jīng)常和我探討選題的寫作、宣傳和讀者的需求，給了我創(chuàng)作的動(dòng)力。感謝我的夫人黃婧女士，她承擔(dān)了大量的家務(wù)及帶孩子的事務(wù)，使得我有時(shí)間在工作之余進(jìn)行創(chuàng)作。還要感謝參考文獻(xiàn)中的很多作者及CSDN、博客園、知乎上的很多博主，他們的創(chuàng)作成果為我的寫作提供了大量的參考資料。

本書的創(chuàng)作只是個(gè)開(kāi)始，如果讀者反饋寫得還不錯(cuò)，我將繼續(xù)創(chuàng)作討論機(jī)器學(xué)習(xí)其他模型的圖書。最后給出全書為三類讀者準(zhǔn)備的學(xué)習(xí)路線總圖供閱讀、參考。

為減輕讀者購(gòu)書成本，本書采用了黑白印刷，這可能導(dǎo)致某些圖片的印刷效果不如彩色印刷效果好。因此，特將本書所有圖片及書中源代碼打包，如有需要，讀者可掃描下方二維碼進(jìn)行免費(fèi)下載。

第1章 認(rèn)知機(jī)器學(xué)習(xí) 1
1.1 什么是機(jī)器學(xué)習(xí) 2
1.1.1 理解機(jī)器學(xué)習(xí)的定義 2
1.1.2 機(jī)器學(xué)習(xí)有哪些模型 3
1.2 怎么學(xué)習(xí)機(jī)器學(xué)習(xí) 4
1.2.1 學(xué)習(xí)的總體步驟 4
1.2.2 理清工具與原理的關(guān)系 4
1.3 搭建開(kāi)發(fā)環(huán)境 5
1.3.1 下載和安裝Anaconda 5
1.3.2 Anaconda的5個(gè)工具軟件 5
1.4 小結(jié) 6
第2章 打下開(kāi)發(fā)基礎(chǔ) 7
2.1 學(xué)會(huì)使用常用的數(shù)據(jù)結(jié)構(gòu) 8
2.1.1 列表 8
2.1.2 字典 10
2.1.3 numpy 11
2.2 能用matplotlib繪圖 15
2.2.1 畫點(diǎn) 15
2.2.2 畫線 16
2.2.3 畫面 16
2.2.4 畫多個(gè)子圖 16
2.3 能編程保存和加載機(jī)器學(xué)習(xí)模型 18
2.3.1 保存模型 18
2.3.2 加載模型 18
2.4 小結(jié) 18
第3章 入門先學(xué)會(huì)使用線性回歸 19
3.1 初步理解線性回歸 20
3.1.1 涉及的主要術(shù)語(yǔ) 20
3.1.2 線性方程的表達(dá) 21
3.1.3 擬合出的線的樣子 24
3.2 了解線性回歸的過(guò)程 26
3.2.1 做線性回歸的過(guò)程 26
3.2.2 模型的評(píng)價(jià)指標(biāo) 27
3.2.3 數(shù)據(jù)集的劃分 29
3.3 做線性回歸的實(shí)例 30
3.3.1 用圖觀察數(shù)據(jù)項(xiàng)之間的關(guān)系 31
3.3.2 對(duì)數(shù)據(jù)集進(jìn)行劃分 33
3.3.3 用數(shù)據(jù)訓(xùn)練模型 34
3.3.4 用模型做預(yù)測(cè) 35
3.3.5 對(duì)模型做評(píng)價(jià) 38
3.4 使用更復(fù)雜的線性回歸模型 46
3.4.1 以一元高次方程為模型 46
3.4.2 以多元一次方程為模型 51
3.4.3 以多元高次方程為模型 54
3.5 小結(jié) 58
第4章 學(xué)習(xí)線性回歸背后的數(shù)學(xué)原理 60
4.1 補(bǔ)充學(xué)習(xí)高等數(shù)學(xué)知識(shí) 62
4.1.1 導(dǎo)數(shù)的意義 62
4.1.2 常用的求導(dǎo)法則 62
4.1.3 求某點(diǎn)的導(dǎo)數(shù)值 65
4.1.4 復(fù)合函數(shù)的導(dǎo)數(shù) 68
4.1.5 偏導(dǎo)數(shù) 70
4.1.6 行列式及其計(jì)算方法 72
4.1.7 矩陣及其計(jì)算方法 76
4.1.8 線性方程組的解法 81
4.2 理解和使用最小二乘法 85
4.2.1 為什么叫最小二乘法 85
4.2.2 求解一元一次方程模型的參數(shù) 87
4.2.3 求解多元一次方程模型的參數(shù) 94
4.2.4 求解一元高次方程和多元高次方程模型的參數(shù) 101
4.2.5 多種模型之間的比較 101
4.3 學(xué)習(xí)和使用梯度下降法 102
4.3.1 什么是梯度和梯度下降法 102
4.3.2 多元函數(shù)的梯度下降法 104
4.3.3 設(shè)置迭代的出口和學(xué)習(xí)率 110
4.3.4 線性回歸的梯度下降法 113
4.3.5 由誤差函數(shù)的圖形引發(fā)對(duì)極小值的討論 119
4.3.6 遍歷訓(xùn)練數(shù)據(jù)做線性回歸的三種梯度下降法 122
4.4 小結(jié) 126
第5章 深入淺出線性回歸的高級(jí)知識(shí) 128
5.1 模型優(yōu)化要解決什么問(wèn)題 129
5.1.1 欠擬合、過(guò)擬合和恰當(dāng)擬合 129
5.1.2 怎么解決過(guò)擬合的問(wèn)題 130
5.2 用嶺回歸對(duì)線性回歸模型做懲罰 130
5.2.1 做嶺回歸用最小二乘法時(shí)的數(shù)學(xué)原理 131
5.2.2 用嶺跡法找到合適的λ值 132
5.2.3 做嶺回歸用梯度下降法時(shí)的數(shù)學(xué)原理 135
5.2.4 用交叉驗(yàn)證法找到合適的λ值 136
5.3 用Lasso回歸對(duì)線性回歸模型做懲罰 146
5.3.1 Lasso回歸的數(shù)學(xué)原理 146
5.3.2 從圖形上理解Lasso回歸 150
5.3.3 用坐標(biāo)軸下降法做Lasso回歸 152
5.4 化繁為簡(jiǎn)使用scikit-learn庫(kù) 164
5.4.1 用最小二乘法做線性回歸 164
5.4.2 做嶺回歸 166
5.4.3 做Lasso回歸 172
5.4.4 使用彈性網(wǎng)絡(luò)做線性回歸 174
5.5 小結(jié) 177
第6章 學(xué)會(huì)使用邏輯回歸 179
6.1 初步理解邏輯回歸 180
6.1.1 涉及的主要術(shù)語(yǔ) 180
6.1.2 線性分類的圖形表達(dá) 180
6.1.3 邏輯回歸的圖形表達(dá) 183
6.2 用scikit-learn庫(kù)做邏輯回歸 185
6.2.1 引入乳腺癌數(shù)據(jù)集 186
6.2.2 用邏輯回歸預(yù)測(cè)乳腺癌 187
6.2.3 評(píng)估邏輯回歸模型 190
6.2.4 得到模型參數(shù) 192
6.2.5 得到分類的可能性值 193
6.3 解決多分類的問(wèn)題 194
6.3.1 引入鳶尾花數(shù)據(jù)集 194
6.3.2 用One-Vs-All解決多分類問(wèn)題 195
6.3.3 用One-Vs-One解決多分類問(wèn)題 203
6.4 小結(jié) 205
第7章 學(xué)習(xí)邏輯回歸背后的數(shù)學(xué)原理 207
7.1 補(bǔ)充學(xué)習(xí)高等數(shù)學(xué)知識(shí) 208
7.1.1 凸函數(shù)和Hessian矩陣 208
7.1.2 大數(shù)定律和中心極限定理 210
7.1.3 正態(tài)分布和伯努利分布 211
7.1.4 條件概率和似然函數(shù) 212
7.2 理解邏輯回歸的數(shù)學(xué)原理 213
7.2.1 找到合適的用于優(yōu)化的函數(shù) 213
7.2.2 在邏輯回歸中使用梯度下降法的數(shù)學(xué)原理 215
7.3 用梯度下降法求解邏輯回歸模型 216
7.3.1 將鳶尾花分成兩類 216
7.3.2 預(yù)測(cè)乳腺癌 220
7.4 小結(jié) 222
第8章 深入淺出邏輯回歸的高級(jí)知識(shí) 224
8.1 對(duì)邏輯回歸做正則化 226
8.1.1 理解L2正則化的數(shù)學(xué)原理 226
8.1.2 用L2正則化預(yù)測(cè)乳腺癌 226
8.1.3 用其他懲罰方式做邏輯回歸 228
8.2 化繁為簡(jiǎn)使用scikit-learn庫(kù) 228
8.2.1 熟悉并使用LogisticRegression類 228
8.2.2 熟悉并使用SGDClassifier類 230
8.2.3 熟悉并使用LogisticRegressionCV類 232
8.2.4 用LogisticRegression類做多分類 233
8.3 補(bǔ)充學(xué)習(xí)一些更高級(jí)的數(shù)學(xué)知識(shí) 234
8.3.1 泰勒公式 235
8.3.2 牛頓法和擬牛頓法的優(yōu)化原理 239
8.3.3 lbfgs優(yōu)化方法 247
8.3.4 newton-cg優(yōu)化方法 248
8.3.5 liblinear優(yōu)化方法 255
8.3.6 sag和saga優(yōu)化方法 257
8.4 用softmax解決多分類問(wèn)題 262
8.4.1 多分類的原理 262
8.4.2 畫出多分類的界線 266
8.5 小結(jié) 269
第9章 學(xué)會(huì)使用樸素貝葉斯 271
9.1 初步理解樸素貝葉斯 272
9.1.1 樸素貝葉斯定理的一些基本術(shù)語(yǔ) 272
9.1.2 樸素貝葉斯怎么得出屬于某一類的概率 274
9.2 用scikit-learn做樸素貝葉斯分類 276
9.2.1 使用GuassianNB類做鳶尾花分類 276
9.2.2 使用MultinomialNB類和BernoulliNB類 278
9.3 小結(jié) 279
第10章 學(xué)習(xí)樸素貝葉斯背后的數(shù)學(xué)原理 281
10.1 理解樸素貝葉斯分類的數(shù)學(xué)原理 282
10.1.1 理解全概率公式并推導(dǎo)樸素貝葉斯公式 282
10.1.2 利用樸素的內(nèi)涵再推演樸素貝葉斯公式 284
10.2 進(jìn)一步說(shuō)明scikit-learn中做樸素 貝葉斯分類的類 285
10.2.1 再看GuassianNB類 285
10.2.2 再看MultinomialNB類和BernoulliNB類 287
10.3 做區(qū)分垃圾郵件和非垃圾郵件的 項(xiàng)目實(shí)戰(zhàn) 288
10.3.1 理解spambase數(shù)據(jù)集 288
10.3.2 使用3種樸素貝葉斯模型區(qū)分垃圾郵件和非垃圾郵件 289
10.4 小結(jié) 291
第11章 深入淺出貝葉斯的高級(jí)知識(shí) 292
11.1 會(huì)用有向圖表達(dá)貝葉斯網(wǎng)絡(luò) 293
11.1.1 深刻理解獨(dú)立和互斥的概念 293
11.1.2 用有向無(wú)環(huán)圖表達(dá)貝葉斯網(wǎng)絡(luò) 294
11.1.3 理解貝葉斯網(wǎng)絡(luò)的3種基本結(jié)構(gòu) 296
11.1.4 打貝葉斯球來(lái)分析兩個(gè)事件是否關(guān)聯(lián) 299
11.2 使用pgmpy建模貝葉斯網(wǎng)絡(luò) 301
11.2.1 安裝pgmpy 301
11.2.2 構(gòu)建某女士結(jié)交男友決策的貝葉斯網(wǎng)絡(luò) 301
11.2.3 用貝葉斯網(wǎng)絡(luò)做預(yù)測(cè) 308
11.2.4 讓貝葉斯網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)到條件概率表 310
11.3 小結(jié) 311
第12章 學(xué)會(huì)使用決策樹 313
12.1 初步理解決策樹 314
12.1.1 決策樹中的一些專業(yè)術(shù)語(yǔ) 314
12.1.2 常見(jiàn)的3種決策樹算法 315
12.2 用scikit-learn做決策樹分類 315
12.2.1 用信息增益做分類 316
12.2.2 用基尼指數(shù)做分類 317
12.2.3 畫鼉霾呤� 319
12.3 小結(jié) 321
第13章 學(xué)習(xí)決策樹背后的數(shù)學(xué)原理 322
13.1 學(xué)會(huì)計(jì)算決策樹的專業(yè)術(shù)語(yǔ)表示的量 323
13.1.1 計(jì)算信息熵 323
13.1.2 計(jì)算信息增益 326
13.1.3 計(jì)算信息增益比 328
13.1.4 計(jì)算基尼指數(shù) 328
13.1.5 計(jì)算基尼指數(shù)增加值 330
13.2 理解3種決策樹算法 330
13.2.1 理解ID3決策樹算法 330
13.2.2 scikit-learn庫(kù)用信息增益生成決策樹的算法 335
13.2.3 理解CART算法 339
13.2.4 用CART算法做分類 341
13.2.5 用CART算法做回歸 342
13.3 深入學(xué)習(xí)用scikit-learn做決策樹分類 和回歸 343
13.3.1 DecisionTreeClassifier類的方法和屬性 343
13.3.2 DecisionTreeRegressor類的方法和屬性 345
13.3.3 用決策樹做鳶尾花分類 346
13.3.4 用決策樹做房?jī)r(jià)回歸分析 351
13.4 小結(jié) 355
第14章 深入淺出決策樹的高級(jí)知識(shí) 357
14.1 學(xué)會(huì)選擇和調(diào)節(jié)決策樹模型的參數(shù) 358
14.1.1 用交叉驗(yàn)證法選擇更好的參數(shù) 358
14.1.2 用GridSearchCV類調(diào)節(jié)參數(shù)模型 363
14.2 理解后剪枝的原理并做實(shí)現(xiàn) 367
14.2.1 后剪枝有哪些策略 367
14.2.2 后剪枝之MEP策略 368
14.2.3 后剪枝之REP策略 377
14.2.4 后剪枝之PEP策略 378
14.2.5 后剪枝之CCP策略 382
14.3 小結(jié) 386
第15章 學(xué)會(huì)使用支持向量機(jī) 388
15.1 初步理解支持向量機(jī) 389
15.1.1 線性支持向量機(jī) 389
15.1.2 非線性支持向量機(jī) 389
15.2 用scikit-learn做支持向量機(jī)分類 390
15.2.1 做線性分類 390
15.2.2 做非線性分類 392
15.3 小結(jié) 394
第16章 學(xué)習(xí)支持向量機(jī)背后的數(shù)學(xué)原理 395
16.1 學(xué)會(huì)計(jì)算距離 396
16.1.1 兩點(diǎn)之間的距離 396
16.1.2 點(diǎn)到超平面的距離 398
16.1.3 函數(shù)距離和幾何距離 402
16.2 學(xué)懂拉格朗日乘數(shù)法 402
16.2.1 用拉格朗日乘數(shù)法求等式約束下的極值 403
16.2.2 再次深刻理解梯度 406
16.2.3 用拉格朗日乘數(shù)法求不等式約束下的極值 408
16.2.4 用拉格朗日乘數(shù)法和KKT應(yīng)對(duì)更復(fù)雜的情況 411
16.3 理解支持向量機(jī)的數(shù)學(xué)原理 413
16.3.1 從感知機(jī)談起 414
16.3.2 感知機(jī)模型的感知策略 416
16.3.3 用感知機(jī)模型做鳶尾花的二分類 419
16.4 硬間隔支持向量機(jī) 424
16.4.1 構(gòu)建出目標(biāo)函數(shù)及約束不等式 425
16.4.2 用拉格朗日乘數(shù)法求解目標(biāo)函數(shù)和約束不等式 427
16.5 小結(jié) 432
第17章 深入淺出支持向量機(jī)的高級(jí)知識(shí) 434
17.1 用SMO算法求解硬間隔支持向量機(jī)的λ 435
17.1.1 轉(zhuǎn)化優(yōu)化問(wèn)題 436
17.1.2 迭代更新的辦法 438
17.2 軟間隔支持向量機(jī) 441
17.2.1 軟間隔支持向量機(jī)的優(yōu)化問(wèn)題 441
17.2.2 迭代時(shí)對(duì)參數(shù)值的剪輯 443
17.2.3 求解其他參數(shù)值 445
17.2.4 求解軟間隔支持向量機(jī)模型的步驟總結(jié) 446
17.2.5 合頁(yè)損失函數(shù) 447
17.3 自己編程實(shí)現(xiàn)支持向量機(jī) 448
17.3.1 實(shí)現(xiàn)SMO算法 448
17.3.2 實(shí)現(xiàn)二分類應(yīng)用 453
17.4 非線性支持向量機(jī) 455
17.4.1 理解非線性支持向量機(jī)的原理 455
17.4.2 學(xué)懂Mercer定理 458
17.4.3 最簡(jiǎn)單的線性核函數(shù) 458
17.4.4 多項(xiàng)式核函數(shù) 460
17.4.5 高斯核函數(shù) 461
17.4.6 Sigmoid核函數(shù) 464
17.5 用支持向量機(jī)做回歸分析 465
17.5.1 理解支持向量回歸的原理 465
17.5.2 用拉格朗日乘數(shù)法做推導(dǎo) 466
17.6 深入淺出用scikit-learn做分類和回歸 467
17.6.1 熟悉線性支持向量機(jī)（LinearSVC） 467
17.6.2 熟悉非線性支持向量機(jī)（SVC） 468
17.6.3 熟悉線性向量回歸（LinearSVR）和非線性回歸（SVR） 469
17.6.4 調(diào)節(jié)非線性支持向量機(jī)的參數(shù) 469
17.6.5 調(diào)節(jié)非線性支持向量回歸模型的參數(shù) 472
17.7 小結(jié) 474
第18章 學(xué)會(huì)使用KNN 476
18.1 理解KNN的基本原理 477
18.1.1 不用數(shù)學(xué)公式講解KNN的原理 477
18.1.2 擴(kuò)展到多分類和回歸應(yīng)用 477
18.1.3 怎么確定KNN模型的k值 478
18.2 用KNN做分類和回歸 478
18.2.1 用KNN模型做鳶尾花分類 478
18.2.2 用KNN模型做房屋價(jià)格回歸 480
18.3 小結(jié) 482
第19章 學(xué)習(xí)KNN背后的數(shù)學(xué)原理 483
19.1 理解KNN的數(shù)學(xué)原理 484
19.1.1 用KNN做分類的數(shù)學(xué)原理 484
19.1.2 有多個(gè)備選分類及樣本數(shù)量不均衡問(wèn)題的解決辦法 485
19.1.3 用KNN做回歸的數(shù)學(xué)原理 487
19.2 再次討論距離的度量 487
19.2.1 歐幾里得距離 488
19.2.2 曼哈頓距離和閔可夫斯基距離 488
19.2.3 夾角的余弦 489
19.2.4 杰卡德相似系數(shù)和杰卡德相似距離 489
19.3 利用搜索樹加速查找 489
19.3.1 構(gòu)建KD樹 489
19.3.2 運(yùn)用KD樹找到k個(gè)近鄰點(diǎn) 491
19.3.3 構(gòu)建Ball樹 496
19.3.4 運(yùn)用Ball樹找到k個(gè)近鄰點(diǎn) 499
19.4 調(diào)節(jié)KNN模型的參數(shù) 501
19.4.1 熟悉KNeighborsClassifier類 501
19.4.2 調(diào)節(jié)KNeighborsClassifier模型的參數(shù) 502
19.4.3 熟悉KNeighborsRegressor類并學(xué)會(huì)調(diào)節(jié)參數(shù) 504
19.5 小結(jié) 506
后續(xù)學(xué)習(xí)建議 508
參考文獻(xiàn) 509

1. 輸水管線工程風(fēng)險(xiǎn)管理 [張勇 黨亥生 著]
2. 民用航空飛機(jī)標(biāo)準(zhǔn)線路施工 [主編　王志敏　陳明]
3. 不息的水脈—大運(yùn)河講談錄 [趙珩　著]
4. 實(shí)用運(yùn)籌學(xué) [主編　邢育紅　于晉臣]
5. 三峽梯級(jí)電站水資源決策支持系統(tǒng)研究與開(kāi)發(fā) [姚華明 潘紅忠 湯正]
6. 海南黎族民俗文化鑒賞 [龐國(guó)華　著]
7. 石墨烯在太赫茲及中紅外頻段電磁器件設(shè)計(jì)中的應(yīng)用 [李艷秀 莊華偉 著]
8. 電子技術(shù)（第二版） [主編 覃愛(ài)娜 李飛]
9. 辦公自動(dòng)化高級(jí)應(yīng)用 [陳萍 朱曉玉]
10. 信息處理技術(shù)員考試32小時(shí)通關(guān) [薛大龍]
11. 電子產(chǎn)品設(shè)計(jì)案例教程（微課版）—基于嘉立創(chuàng)EDA（專業(yè)版） [王靜 莫志宏 陳學(xué)昌 丁紅]
12. C程序設(shè)計(jì)實(shí)踐教程 [劉衛(wèi)國(guó)]
13. C程序設(shè)計(jì)（慕課版） [劉衛(wèi)國(guó)]
14. Web技術(shù)開(kāi)發(fā)教程（基于.NET開(kāi)源MVC框架） [王合闖 韓紅玲 王青正 陳海蕊]
15. 商務(wù)英語(yǔ)翻譯教程（筆譯）（第四版） [主編 王軍平]
16. 智慧零售技術(shù)與應(yīng)用 [洪旭 著]
17. 建設(shè)工程法規(guī)實(shí)務(wù) [主編 余瀅]
18. 商務(wù)秘書理論與實(shí)務(wù)（第三版） [主編 張同欽]
19. 程序設(shè)計(jì)基礎(chǔ)實(shí)踐教程（C/C++語(yǔ)言版） [張桂芬 葛麗娜]
20. C++案例項(xiàng)目精講 [主編 楊國(guó)興]
21. 勞動(dòng)爭(zhēng)議處理實(shí)務(wù) [主編 王秀卿 羅靜]
22. 工程數(shù)學(xué) [主編 郭立娟 王海]
23. 語(yǔ)音識(shí)別理論與實(shí)踐 [主編　莫宏偉]
24. 信息系統(tǒng)項(xiàng)目管理師章節(jié)習(xí)題與考點(diǎn)特訓(xùn)（第二版） [主編 薛大龍]
25. 武術(shù)基礎(chǔ)教程 [主編 李代勇 謝志民]
26. 計(jì)算機(jī)網(wǎng)絡(luò)實(shí)訓(xùn)教程 [主編 張浩軍 趙玉娟]
27. 畫法幾何與機(jī)械制圖習(xí)題集（多學(xué)時(shí)） [主編 趙軍]
28. HCIA-Datacom認(rèn)證題庫(kù)分類精講 [主 編 韓立剛]
29. SwiftUI完全開(kāi)發(fā) [李智威 著]
30. 網(wǎng)絡(luò)規(guī)劃設(shè)計(jì)師備考一本通 [夏杰 編著]