機器學習算法評估就是用科學的指標，對機器學習算法的智能性、穩定性與可靠性進行完整、可靠的評價，並給出有條理的、可解釋的結論。一個優秀的算法在上線之前，一定要經過嚴密、周全的評估，纔能應對現實業務環境的復雜情況，充分發揮令人驚嘆的“人工智能之美”。本書特色：1. 圖文並茂，全彩印刷，完整而繫統地介紹機器學習算法評估理論；2. 配套源碼，基於業務場景評價算法上線服務的可靠性；3. 利用算法評估工具進行實踐，探索機器學習算法本質。

●第 1章 分類的藝術  11.1  訓練集和測試集的選擇  11.2  準召率和P-R曲線  61.3  ROC和AUC  81.5  異常檢測  121.5  小結  14第  2章 一個好的回歸算法  152.1  ME那些事  152.2  方差和偏差  172.3  欠擬合和過擬合  182.4  正則化方法  202.5  回歸算法的對比  242.5.1  線性回歸  242.5.2  局部加權線性回歸  252.5.3  嶺回歸  262.6  梯度下降的對比  262.6.1  一般的梯度下降  262.6.2  隨機梯度下降和批量梯度下降  282.6.3  動量梯度下降  292.6.4  AdaGrad、RMSProp和Adam  292.7  小結  31第3章  “硬核”聚類  333.1  無監督學習  333.2  聚類算法的評估指標  343.2.1  霍普金斯統計量  343.2.2  類簇的數量  353.2.3  聚類效果  393.3  聚類算法的對比  443.3.1  基於密度的聚類  443.3.2  K-means  453.3.3  基於層次的聚類  463.3.4  基於概率的聚類  473.4  小結  48第4章  慧眼識天下——深度學習算法原理對比  494.1  卷積神經網絡  494.1.1  簡單的卷積神經網絡  494.1.2  詳解卷積神經網絡  534.2  循環神經網絡  604.2.1  圖解RNN  604.2.2  RNN的訓練  654.2.3  RNN的變化形式  674.3  更實用的模型  684.3.1  LSTM  694.3.2  Seq2Seq  714.3.3  注意力機制  734.4  小結  74第5章  智慧的語言——NLP算法實戰與評估  765.1  文字的預處理  765.1.1  嵌入  765.1.2  word2vec  775.1.3  詞袋模型與TF-IDF  825.2  RNN文本分類  845.2.1  RNN文本分類的模塊  845.2.2  參數定義  845.2.3  預處理  855.2.4  模型定義  865.2.5  模型訓練和評估  875.3  HAN文本分類  885.3.1  HAN和GRU的基本原理  885.3.2  HAN的注意力層  905.4  NLP評估  925.4.1  N-gram  925.4.2  BLEU  935.4.3  ROUGE  965.4.4  Pointwise、Pairwise和Listwise排序算法  985.5  小結  100第6章  預言家的思考——樹模型的對比與評估  1016.1  基礎樹模型的對比  1016.1.1  ID3  1016.1.2  C4.5  1036.1.3  CART  1046.2  隨機森林和AdaBoost  1066.2.1  隨機森林  1066.2.2  AdaBoost  1086.3  GBDT  1106.3.1  GBDT簡介  1106.3.2  GBDT和回歸問題  1116.3.3  GBDT和分類問題  1176.4  XGBoost  1246.4.1  XGBoost簡介  1246.4.2  XGBoost回歸算法  1276.4.3  XGBoost分類算法  1326.4.4  XGBoost的優化方法和特征評估  1366.4.5  GBDT和XGBoost的對比評估  1396.5  小結  140第7章  愛我所愛——推薦算法對比與評估  1417.1  多路召回  1417.1.1  基於用戶的協同過濾  1417.1.2  基於物品的協同過濾  1447.2  邏輯斯諦回歸  1457.2.1  邏輯斯諦回歸的基本原理  1457.2.2  邏輯斯諦回歸和推薦排序  1487.3  FM、FFM和特征組合  1507.3.1  FM基本原理  1517.3.2  用FFM和GBDT進行高階特征組合  1537.4  Wide&Deep  1557.5  更有趣的模型——Transformer  1577.5.1  模型整體架構  1587.5.2  注意力機制  1597.5.3  編碼器  1637.5.4  解碼器  1637.5.5  基於位置的前饋神經網絡  1647.5.6  嵌入層  1657.5.7  線性層和softmax層  1667.5.8  Transformer在推薦繫統的應用  1677.6  推薦算法的評估  1707.6.1  準確度指標  1717.6.2  排序指標  1727.6.3  覆蓋率  1757.6.4  多樣性和新穎性  1757.7  小結  176第8章  奇門遁甲—LBS算法與評估  1778.1  坐標  1778.1.1  坐標生成  1778.1.2  基於密度的坐標生成  1798.1.3  基於GeoHash塊熱度的坐標生成  1808.1.4  坐標質量評估  1818.2  路線  1838.2.1  路線相似度評估  1838.2.2  路線規劃——Dijkstra算法  1858.2.3  路線排序  1888.2.4  路線質量評估  1948.3  小結  196第9章  評估利器——交互式可視化  1989.1  R語言簡介  1989.1.1  為什麼要可視化  1989.1.2  R語言介紹  1999.1.3  數據生態  2029.2  Shiny可視化  2049.2.1  UI布局  2049.2.2  服務器  2099.2.3  可視化評估示例  2129.3  小結  215第  10章 像哲學家一樣思考——因果推斷  21610.1  機器學習之殤  216鸚鵡學舌vs.烏鴉喝水  21610.2  辛普森悖論  21810.3  伯克森悖論  22310.4  智能之梯  22410.4.1  因果推斷的起源  22410.4.2  智能之梯  22510.5  因果推斷的方法  22810.5.1  雙重差分模型  22810.5.2  工具變量  22910.5.3  中介模型  23110.6  小結  232第  11章 基礎評估方法——假設檢驗  23411.1  卡方檢驗  23411.2  T檢驗  23611.3  Z檢驗和F檢驗  23811.4  小結  241參考文獻  242

機器學習算法評估力求用科學的指標，對機器學習算法進行完整、可靠的評價。本書詳細介紹機器學習算法評估的理論、方法和實踐。全書分為3個部分。第1部分包含第1章～第3章，針對分類算法、回歸算法和聚類算法分別介紹對應的基礎理論和評估方法；第2部分包含第4章～第8章，介紹更復雜的模型（如深度學習模型和集成樹模型）的對比與評估，並且針對它們實際應用的業務場景介紹一些特有的評估指標和評估體繫；第3部分包含第9章～第11章，總結算法評估的常用工具、技術及方法論，包括實用的可視化工具介紹，並討論機器學習算法的本質。本書適合機器學習專業相關從業者和算法工程師閱讀，也適合想要從事人工智能和機器學習工作的人士學習和參考。

宋亞統 著