近些年，機器學(xué)習廣泛應(yīng)用于計算機、醫(yī)療、金融、智能設(shè)備等領(lǐng)域。目前，關(guān)于機器學(xué)習的書籍種類繁多，有科普性質(zhì)的初級系列，也有深度解析原理、手寫算法系列，但以工程案例為背景的系統(tǒng)化圖書較少，尤其在土木工程等傳統(tǒng)行業(yè)，乏善可陳；筆者查詢了一些有關(guān)土木領(lǐng)域的科研論文及畢業(yè)論文，關(guān)于機器學(xué)習的論文數(shù)量也有限。然而公眾號以及知乎上的土木同行對 Python，尤其是機器學(xué)習在行業(yè)中的應(yīng)用非常期待，寄希望于降低日常重復(fù)性工作環(huán)節(jié)（諸如設(shè)計、施工、科研等）。 因此，筆者從自己熟悉的巖土領(lǐng)域，本著輕原理、重實踐的原則，避開復(fù)雜的機器學(xué)習原理，從參數(shù)調(diào)用（調(diào)包）的角度，解析機器學(xué)習庫 SKlearn 的常用模型。本書適合零基礎(chǔ)的讀者，以便快速入門并掌握 SKlearn 的精髓。 ■ 本書構(gòu)架 章名主要內(nèi)容第 1 章主要介紹機器學(xué)習的基本理論、相關(guān) Python 庫和必要的編程環(huán)境配置第 2 章 介紹如何使用 Pandas 庫加載數(shù)據(jù)，并對數(shù)據(jù)進行探索性分析。例如，查看數(shù)據(jù)的統(tǒng)計特征、分布、相關(guān)性等 第 3 章 介紹數(shù)據(jù)預(yù)處理方法。通常我們拿到的數(shù)據(jù)或多或少都存在一些瑕疵和不足，也就是常說的臟數(shù)據(jù)，這就需要對數(shù)據(jù)進行清洗。例如，對數(shù)據(jù)進行變換、降維、特征選取等操作 第 4 章介紹 SKlearn 中常用的分 類、回 歸、聚類模 型。其 中，分類模型包括 DecisionTree、Bayes、KNN、SVM； 回 歸 模 型 包 括 Ridge Regression、LassoRegression、SVR；聚類模型包括 K-means、Spectral Clustering、Mean Shift 等第 5 章 介紹常用的集成學(xué)習算法，包括自適應(yīng)增強算法、梯度提升樹、隨機森林。利用集成學(xué)習算法組合多個弱監(jiān)督模型，得到一個更好更全面的強監(jiān)督模型 第 6 章介紹模型評估方法及指標。分類問題中的評估指標包括準確率、精確率、召回率、F1 值；回歸問題中的評估指標包括誤差平均值、誤差平方平均值、驗證曲線、學(xué)習曲線等。在確定模型后，需要進一步優(yōu)化模型參數(shù)，并對訓(xùn)練好的模型進行持久化保存第 7 章 通過五個工程案例分析，分別系統(tǒng)化解析了二分類、多分類、回歸、聚類算法的具體應(yīng)用 機器學(xué)習實戰(zhàn)基于 Python SKlearn 的解析 ■ 本書特點系統(tǒng)：以輕原理、重實踐為原則，詳細解析機器學(xué)習庫 SKlearn； 通俗：從參數(shù)調(diào)用的角度，適合零基礎(chǔ)讀者快速入門并掌握 SKlearn；深入：由淺及深熟悉數(shù)據(jù)探索、預(yù)處理、模型選擇、集成學(xué)習、模型評估流程； 案例：用五個工程案例系統(tǒng)化講解 SKlearn 庫分類、回歸、聚類，實用性強。 ■ 本書目的 希望閱讀本書的讀者能夠掌握機器學(xué)習 SKlearn 庫常用模型的調(diào)用方式，將其應(yīng)用到自身行業(yè)中，創(chuàng)造出屬于自己的研究成果。 ■ 素材資源下載 由于筆者的水平有限，書中難免會出現(xiàn)錯誤或者不準確的地方，懇請讀者批評指正。為此方便讀者學(xué)習，本書配套資源下載。
筆者2023 年 2 月