第1章 經濟大數(shù)據(jù)分析概論// 1 1. 1 數(shù)字經濟時代的大數(shù)據(jù) // 1 1. 2 大數(shù)據(jù)分類 // 2 1. 3 機器學習簡述 // 4 1. 4 機器學習與計量經濟學的方法差異 // 5 1. 5 機器學習與計量經濟學的融合應用 // 8 本章小結 // 9 課后習題 // 10 第2章 機器學習與數(shù)據(jù)分析 // 11 2. 1 機器學習基本原理 // 11 2. 2 機器學習工具包: Scikit-learn // 16 2. 3 Scikit-learn 高級API // 30 2. 4 經濟數(shù)據(jù)分析案例 // 43 本章小結 // 59 課后習題 // 59 第3章 線性回歸與模型擬合 // 61 3. 1 線性回歸模型 // 61 3. 2 模型擬合問題 // 72 3. 3 偏差與方差 // 82 3. 4 過擬合與正則化 // 89 本章注釋 // 97 本章小結 // 97 課后習題 // 98 第4章 邏輯回歸與模型評估 // 99 4. 1 從線性回歸到邏輯回歸 // 99 4. 2 二元分類預測案例 // 104 4. 3 多元分類問題 // 113 4. 4 模型評估方法 // 117 本章注釋 // 128 本章小結 // 129 課后習題 // 129 第5章 支持向量機與核函數(shù) // 131 5. 1 支持向量機模型 // 131 5. 2 近似線性可分情形 // 136 5. 3 支持向量機與邏輯回歸的差異 // 143 5. 4 核函數(shù)基本原理 // 148 5. 5 非線性支持向量機 // 150 5. 6 模型拓展: 支持向量回歸 // 155 5. 7 財政收入預測案例 // 157 本章注釋 // 170 本章小結 // 170 課后習題 // 171 第6章 決策樹與集成學習 // 172 6. 1 決策樹模型 // 172 6. 2 集成學習 // 181 6. 3 樹的橫向集成: 隨機森林 // 185 6. 4 樹的縱向集成: 梯度提升樹 // 189 6. 5 決策樹和邏輯回歸集成 // 193 6. 6 銀行借貸風險預測案例 // 201 本章注釋 // 223 本章小結 // 224 課后習題 // 224 第7章 貝葉斯分類與生成式學習 // 226 7. 1 貝葉斯分類模型原理 // 226 7. 2 基于樸素貝葉斯的文本分類 // 231 7. 3 基于LDA 的文本主題分析 // 246 7. 4 對生成式學習的延伸討論 // 262 本章注釋 // 265 本章小結 // 265 課后習題 // 265 第8章 聚類降維與無監(jiān)督學習 // 267 8. 1 監(jiān)督學習與無監(jiān)督學習 // 267 8. 2 聚類模型: K -均值聚類 // 268 8. 3 降維模型: 主成分分析 // 278 8. 4 客戶價值分析案例 // 293 本章小結 // 306 課后習題 // 307