机器学习算法评估实战

机器学习算法评估力求用科学的指标，对机器学习算法进行完整、可靠的评价。 本书详细介绍机器学习算法评估的理论、方法和实践。全书分为3个部分。第1部分包含第1章～第3章，针对分类算法、回归算法和聚类算法分别介绍对应的基础理论和评估方法；第2部分包含第4章～第8章，介绍更复杂的模型（如深度学习模型和集成树模型）的对比与评估，并且针对它们实际应用的业务场景介绍一些特有的评估指标和评估体系；第3部分包含第9章～第11章，总结算法评估的常用工具、技术及方法论，包括实用的可视化工具介绍，并讨论机器学习算法的本质。本书适合机器学习专业相关从业者和算法工程师阅读，也适合想要从事人工智能和机器学习工作的人士学习和参考。

这是一本全面介绍机器学习算法评估理论、方法和实践的专著。该书以机器学习算法评估的应用场景为主线，详细阐述了训练集和测试集选择的原则，准召率的定义与计算，ROC曲线与真真值率，以及ME与MAE和MSE的区别等基本概念。同时，该书还深入探讨了方差描述预测值离散程度，偏差与预测值真实值差距，以及类簇的数量和评估指标等评估方法。 书中还详细介绍了卷积神经网络的基本概念，RNN的升级版模型与应用，以及逻辑斯谛回归的基本原理等深度学习和传统机器学习模型的理论和实践。此外，该书还详细阐述了FM模型的原理与优势，逻辑斯谛回归的基本原理，以及FM模型的原理与优势等模型评估的实用技术。 在可视化概念与重要性方面，该书详细介绍了R语言和Shiny交互式Web应用等数据可视化和交互式工具的应用。这些工具可以帮助读者更高效地处理和分析数据，更好地理解和优化算法。