机器学习案例实战（第二版）.pptx

;机器学习平台;常用的机器学习工具（1）;常用的机器学习工具（2）;常用的机器学习工具（3）;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;业务背景分析;数据概况;数据表样例（基础信息表）;步骤;数据准备与预处理;变量属性识别与标注;空值处理;异常值检测;维归约;独热编码;标准化;多表合并;对合并后的表进行最终处理;模型选择与运行步骤;带正项的Logistic模型;朴素贝叶斯模型;随机森林模型;支持向量机模型;结果分析;算法比较;;;业务背景分析;数据概况;环境准备;环境准备;数据预处理;数据预处理——数据加载与预览;数据预处理——缺失值处理（1）;数据预处理——缺失值处理（2）;数据预处理——属性值的合并与连接;数据预处理——属性值的合并与连接;数据预处理——数值转换;数据预处理——数据标准化和归一化;数据多维分析;数据多维分析;数据多维分析;数据多维分析;基于神经网络模型预测保险风险;基于神经网络模型预测保险风险;导入和解析数据集;导入和解析数据集;描述数据;定义模型类型;训练模型;定义测试输入模型;评估模型;模型预测;使用SVM预测保险风险;解析数据集并交叉验证;数据预处理;数据预处理;数据预处理;绘制数据流图;绘制数据流图;定义高斯核函数（RBF核函数）;创建对偶损失函数;创建预测核函数;创建预测函数;设置优化器并初始化;训练并评估模型;训练并评估模型;模型评估结果对比;;;业务背景分析;数据概况;数据预处理（1）;数据预处理（2）非数值特征数值化;数据预处理（3）数据离散化;数据预处理（4）数据离散化;数据预处理（5）数据离散化;数据预处理（6）数据筛选;银行客户流失预测分析;测试结果;模型的可解释性;模型优化（1）;模型优化（2）;模型优化（3）;模型优化（4）;模型优化（5）;模型优化（6）5折交叉验证;模型优化（7）10折交叉验证;模型优化（8）15折交叉验证;多种算法的比较（1）;多种算法的比较（2）;多种算法的比较（3）;总结;;;业务背景分析;数据概况;思路分析;思路分析;思路分析;数据预处理（1）;数据预处理（2）数据归一化;数据预处理（3）加窗处理;数据预处理（3）加窗处理;数据预处理（4）分割数据集;数据预处理（5）标签独热编码转化;模型???练;模型训练;算法评估;多种算法的比较（1）数据归一化预处理;多种算法的比较（2）定义输入序列并分割数据集;多种算法的比较（3）RNN建模——LSTM/GRU;多种算法的比较（3）RNN建模——LSTM/GRU;多种算法的比较（3）RNN建模——LSTM/GRU;多种算法的比较（4）性能比较;总结与展望;;;业务背景分析;数据概况;整体流程;数据提取;数据预处理（1）;数据预处理（2）去重和合并数据集;数据预处理（3）缺失值处理;数据预处理（4）特征选择;数据预处理（5）类型变量独热编码;数据预处理（6）数值变量规范化;数据预处理（7）生成训练集和检验集;构建保险预测模型;模型评估;超参数调整;多种算法的比较;总结与展望;;;业务背景分析;问题分析;数据探索;数据探索;数据探索;数据探索;数据预处理（1）;数据预处理（2）填补缺失值;数据预处理（3）修正异常值;数据预处理（4）衍生字段;数据预处理（4）衍生字段;数据预处理（5）类型变量独热编码;数据预处理（6）数据导出;建立销售量预测模型（1）;建立销售量预测模型（2）线性回归模型;建立销售量预测模型（3）Ridge回归模型;建立销售量预测模型（4）Lasso回归模型;建立销售量预测模型（5）ElasticNet回归模型;建立销售量预测模型（6）决策树回归模型;建立销售量预测模型（7）决策树回归模型;建立销售量预测模型（8）梯度提升树回归模型;建立销售量预测模型（9）随机森林回归模型;模型评估;模型评估;总结与展望;;;业务背景分析;数据概况;数据预处理（1）;数据预处理（2）缺失值处理;数据预处理（3）异常值处理;数据预处理（4）异常值处理;数据预处理（5）数据格式转换;数据预处理（5）数据格式转换;数据预处理（6）数据格式转换;数据预处理（7）统计数据;数据预处理（8）划分数据集;选择模型;模型训练;汽车备件销售预测分析;测试结果;聚类分析（1）;聚类分析（2）;聚类分析（3）;聚类分析（4）;聚类分析（5）;聚类分析（6）;219;;业务背景分析;数据概况;数据表样例（基础信息表）;步骤;数据准备与预处理;处理缺失值;处理重复值;异常值检测;异常值检测;建模分析与评估;输入数据准备与结果评测;线性回归模型;逻辑回归模型;神经网络模型;结果评测;线性回归模型均方根和R2值与学习率的关系;逻辑回归模型均方根和R2值与学习率的关系;神经网络模型均方根和R2值与学习率的关系;结