机器学习

　　本书是全面的机器学习教材之一。书中首先介绍了机器学习的构成要素（任务、模型、特征）和机器学习任务，接着详细分析了逻辑模型（树模型、规则模型）、几何模型（线性模型和基于距离的模型）和概率模型，然后讨论了特征、模型的集成，以及被机器学习研究者称为“实验”的方法。作者不仅使用了已有术语，还引入了一些新的概念，同时提供了大量精选的示例和插图解说。

暂缺《机器学习》作者简介

绪　论　机器学习概述 1 第1章　机器学习的构成要素　9 1.1　任务：可通过机器学习解决的问题　9 1.1.1　探寻结构　11 1.1.2　性能评价　13 1.2　模型：机器学习的输出　14 1.2.1　几何模型　14 1.2.2　概率模型　17 1.2.3　逻辑模型　22 1.2.4　分组模型与评分模型　26 1.3　特征：机器学习的马达　26 1.3.1　特征的两种用法　28 1.3.2　特征的构造与变换　29 1.3.3　特征之间的交互　32 1.4　总结与展望　33 第2章　两类分类及相关任务　37 2.1　分类　39 2.1.1　分类性能的评价　40 2.1.2　分类性能的可视化　43 2.2　评分与排序　46 2.2.1　排序性能的评价及可视化　48 2.2.2　将排序器转化为分类器　52 2.3　类概率估计　54 2.3.1　类概率估计量　55 2.3.2　将排序器转化为概率估计子　57 2.4　小结与延伸阅读　59 第3章　超越两类分类　61 3.1　处理多类问题　61 3.1.1　多类分类　61 3.1.2　多类得分及概率　65 3.2　回归　68 3.3　无监督学习及描述性学习　70 3.3.1　预测性聚类与描述性聚类　71 3.2.2　其他描述性模型　74 3.4　小结与延伸阅读　76 第4章　概念学习　77 4.1　假设空间　78 4.1.1　最小一般性　79 4.1.2　内部析取　82 4.2　通过假设空间的路径　84 4.2.1　最一般相容假设　86 4.2.2　封闭概念　87 4.3　超越合取概念　88 4.4　可学习性　92 4.5　小结与延伸阅读　94 第5章　树模型　97 5.1　决策树　100 5.2　排序与概率估计树　103 5.3　作为减小方差的树学习方法　110 5.3.1　回归树　110 5.3.2　聚类树　113 5.4　小结与延伸阅读　115 第6章　规则模型　117 6.1　学习有序规则列表　117 6.2　学习无序规则集　124 6.2.1　用于排序和概率估计的规则集　128 6.2.2　深入探究规则重叠　130 6.3　描述性规则学习　131 6.3.1　用于子群发现的规则学习　131