梯度提升算法实战 | Shengjun Zhang

CIP核准号	2024065073
ISBN	978-7-302-65951-8
正书名	梯度提升算法实战
丛书名
出版单位	清华大学出版社
出版地	北京

作者	(美) 科里·韦德 (Corey Wade) , 著	出版时间	2024.4
分册名		分册号
定价（元）	99	正文语种
中图法分类	TP181	主题词	机器学习－算法
内容摘要	本书首先介绍了scikit-learn中的机器学习和XGBoost技术，然后探讨了梯度提升背后的理论知识。包括决策树、装袋技术及XGBoost超参数。本书将从头开始构建梯度提升模型，并将梯度提升扩展到大数据领域。本书重点探讨XGBoost的细节，着重于速度增强和通过数学推导导出参数。通过详细案例研究，练习使用 scikit-learn 、原始的 Python API 构建、以及微调 XGBoost 分类器和回归器。利用XGBoost超参数来提高评分、纠正缺失值、缩放不平衡数据集以及微调备选基学习器。最后，应用高级 XGBoost 技术，如构建非相关的集成模型、堆叠模型，并使用稀疏矩阵、定制的转换器和管道为行业部署准备模型。全书共分3篇：第1篇（第1～4章）为入门篇，介绍XGBoost背后的实用理论，包括装袋和提升模型结构、数据预处理、回归和分类模型、XGBoost基本模型及超参数微调；第2篇（第5～7章）为进阶篇，介绍XGBoost框架构成及超参数优化；第3篇（第8~10章）为进阶篇，着重讨论微调备选基学习器、创新技巧、特征工程，并使用稀疏矩阵、定制转换器和管道，练习构建适合行业部署的模型。全书提供了大量应用实例。本书适合作为高等院校计算机、软件工程专业高年级本科生、研究生的教材，同时适合有一定机器学习基础的数据科学家、机器学习工程师和研究人员阅读，为解决复杂问题提供实用指导。

梯度提升算法实战 : 基于XGBoost和scikit-learn / (美) 科里·韦德 (Corey Wade) 著 ; 张生军 译.
-- 北京 : 清华大学出版社, 2024.4
书名原文: Hands-On Gradient Boosting with XGBoost and scikit-learn ISBN 978-7-302-65951-8
Ⅰ. ①梯… Ⅱ. ①科… ②张… Ⅲ. ①机器学习－算法 Ⅳ. ①TP181
中国国家版本馆CIP数据核字(2024)第065073号

本书配套代码

gitee镜像

broadcreate/Hands-On-Gradient-Boosting-with-XGBoost-and-Scikit-learn

出版社链接

清华大学出版社

购买链接

书圈

清华大学出版社京东旗舰店

当当网上商城

内容概览

梯度提升算法实战 : 基于XGBoost和scikit-learn

Hands-On Gradient Boosting with XGBoost and scikit-learn.

问题和反馈

Click here 请发送电子邮件联系.

Title

Hands-On Gradient Boosting with XGBoost and scikit-learn

What is this book about?

XGBoost is an industry-proven, open-source software library that provides a gradient boosting framework for scaling billions of data points quickly and efficiently.(科里·韦德 (Corey Wade) & 张生军, 2024).

This book covers the following exciting features: <First 5 What you’ll learn points>

Build gradient boosting models from scratch
Develop XGBoost regressors and classifiers with accuracy and speed
Analyze variance and bias in terms of fine-tuning XGBoost hyperparameters
Automatically correct missing values and scale imbalanced data
Apply alternative base learners like dart, linear models, and XGBoost random forests

本书首先介绍了scikit-learn中的机器学习和XGBoost技术，然后探讨了梯度提升背后的理论知识。包括决策树、装袋技术及XGBoost超参数。本书将从头开始构建梯度提升模型，并将梯度提升扩展到大数据领域。本书重点探讨XGBoost的细节，着重于速度增强和通过数学推导导出参数。通过详细案例研究，练习使用 scikit-learn 、原始的 Python API 构建、以及微调 XGBoost 分类器和回归器。利用XGBoost超参数来提高评分、纠正缺失值、缩放不平衡数据集以及微调备选基学习器。最后，应用高级 XGBoost 技术，如构建非相关的集成模型、堆叠模型，并使用稀疏矩阵、定制的转换器和管道为行业部署准备模型。全书共分3篇：第1篇（第1～4章）为入门篇，介绍XGBoost背后的实用理论，包括装袋和提升模型结构、数据预处理、回归和分类模型、XGBoost基本模型及超参数微调；第2篇（第5～7章）为进阶篇，介绍XGBoost框架构成及超参数优化；第3篇（第8 10章）为进阶篇，着重讨论微调备选基学习器、创新技巧、特征工程，并使用稀疏矩阵、定制转换器和管道，练习构建适合行业部署的模型。全书提供了大量应用实例。本书适合作为高等院校计算机、软件工程专业高年级本科生、研究生的教材，同时适合有一定机器学习基础的数据科学家、机器学习工程师和研究人员阅读，为解决复杂问题提供实用指导。