> [!NOTE] > 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。 > [English](./README.en.md) · [原始项目](https://github.com/rasbt/python-machine-learning-book) · [上游 README](https://github.com/rasbt/python-machine-learning-book/blob/HEAD/README.md) > 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。 # Python Machine Learning 图书代码仓库 [![Google Group](https://img.shields.io/badge/-Google%20Group-lightgrey.svg)](https://groups.google.com/forum/#!forum/python-machine-learning-reader-discussion-board) --- #### 重要提示（2017/09/21）： 本 GitHub 仓库包含《Python Machine Learning》**第 1 版**的代码示例。若你需要 **第 2 版**的代码示例，请参阅[此](https://github.com/rasbt/python-machine-learning-book-2nd-edition#whats-new-in-the-second-edition-from-the-first-edition) 仓库。 --- 本书共 400 页，内容丰富实用，涵盖入门机器学习所需的大部分知识……从理论到可直接付诸实践的代码！这绝非又一本“scikit-learn 用法手册”。我的目标是解释所有底层概念，告诉你最佳实践与注意事项，并主要通过 NumPy、scikit-learn 和 Theano 将这些概念付诸实践。 不确定这本书是否适合你？请查阅[序言](./docs/foreword_ro.pdf)和[前言](./docs/preface_sr.pdf)的节选，或查看 [FAQ](#faq) 部分了解更多信息。 --- [![](./images/pymle_cover_double_small.jpg)](https://www.amazon.com/Python-Machine-Learning-Sebastian-Raschka/dp/1783555130/ref=sr_1_1?ie=UTF8&qid=1470882464&sr=8-1&keywords=python+machine+learning) 第 1 版，2015 年 9 月 23 日出版
平装：454 页
出版社：Packt Publishing
语言：英语
ISBN-10: 1783555130
ISBN-13: 978-1783555130
Kindle ASIN: B00YSILNL0

[![](./images/CRBadgeNotableBook.jpg)](http://www.computingreviews.com/recommend/bestof/notableitems.cfm?bestYear=2016)
德语 ISBN-13: 978-3958454224
日语 ISBN-13: 978-4844380603
意大利语 ISBN-13: 978-8850333974
繁体中文 ISBN-13: 978-9864341405
大陆简体 ISBN-13: 978-7111558804
韩语 ISBN-13: 979-1187497035
俄语 ISBN-13: 978-5970604090
## 目录与代码 Notebook 只需点击各章标题旁的 `ipynb`/`nbviewer` 链接即可查看代码示例（目前，内部文档链接仅 NbViewer 版本支持）。 **请注意，这些只是我为方便大家上传的随书代码示例；若无公式与说明文字，这些 notebook 可能用处不大。** - [序言](./docs/foreword_ro.pdf)与[前言](./docs/preface_sr.pdf)节选 - [配置 Python 与 Jupiter Notebook 的说明](./code/ch01/README.md)
1. 机器学习——赋予计算机从数据中学习的能力 [[dir](./code/ch01)] [[ipynb](./code/ch01/ch01.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch01/ch01.ipynb)] 2. 训练用于分类的机器学习算法 [[dir](./code/ch02)] [[ipynb](./code/ch02/ch02.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch02/ch02.ipynb)] 3. 使用 Scikit-Learn 的机器学习分类器概览 [[dir](./code/ch03)] [[ipynb](./code/ch03/ch03.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch03/ch03.ipynb)] 4. 构建优质训练集——数据预处理 [[dir](./code/ch04)] [[ipynb](./code/ch04/ch04.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch04/ch04.ipynb)] 5. 通过降维压缩数据 [[dir](./code/ch05)] [[ipynb](./code/ch05/ch05.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch05/ch05.ipynb)] 6. 学习模型评估与超参数调优的最佳实践 [[dir](./code/ch06)] [[ipynb](./code/ch06/ch06.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch06/ch06.ipynb)] 7. 组合不同模型进行集成学习 [[dir](./code/ch07)] [[ipynb](./code/ch07/ch07.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch07/ch07.ipynb)] 8. 将机器学习应用于情感分析 [[dir](./code/ch08)] [[ipynb](./code/ch08/ch08.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch08/ch08.ipynb)] 9. 将机器学习模型嵌入 Web 应用 [[dir](./code/ch09)] [[ipynb](./code/ch09/ch09.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch09/ch09.ipynb)] 10. 用回归分析预测连续目标变量 [[dir](./code/ch10)] [[ipynb](./code/ch10/ch10.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch10/ch10.ipynb)] 11. 处理无标签数据——聚类分析 [[dir](./code/ch11)] [[ipynb](./code/ch11/ch11.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch11/ch11.ipynb)] 12. 训练用于图像识别的人工神经网络 [[dir](./code/ch12)] [[ipynb](./code/ch12/ch12.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch12/ch12.ipynb)] 13. 通过 Theano 并行化神经网络训练 [[dir](./code/ch13)] [[ipynb](./code/ch13/ch13.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/ch13/ch13.ipynb)]
#### 公式参考 [[PDF](./docs/equations/pymle-equations.pdf)] [[TEX](./docs/equations/pymle-equations.tex)] #### 教学幻灯片 衷心感谢 [Dmitriy Dligach](dmitriydligach) 分享其机器学习课程幻灯片，该课程目前在 [Loyola University Chicago](http://www.luc.edu/cs/). 开设。 - [https://github.com/dmitriydligach/PyMLSlides](https://github.com/dmitriydligach/PyMLSlides) - #### 补充数学与 NumPy 资源 一些读者询问数学与 NumPy 入门材料，因篇幅限制未收入本书。不过我最近为另一本书整理了此类资源，并自愿将这些*章节*免费在线提供，希望也能作为本书的有益背景材料： - 代数基础 [[PDF](https://sebastianraschka.com/pdf/books/dlb/appendix_b_algebra.pdf)] [[EPUB](https://sebastianraschka.com/pdf/books/dlb/appendix_b_algebra.epub)] - 微积分与微分入门 [[PDF](https://sebastianraschka.com/pdf/books/dlb/appendix_d_calculus.pdf)] [[EPUB](https://sebastianraschka.com/pdf/books/dlb/appendix_d_calculus.epub)] - NumPy 入门 [[PDF](https://sebastianraschka.com/pdf/books/dlb/appendix_f_numpy-intro.pdf)] [[EPUB](https://sebastianraschka.com/pdf/books/dlb/appendix_f_numpy-intro.epub)] [[Code Notebook](https://github.com/rasbt/deep-learning-book/blob/master/code/appendix_f_numpy-intro/appendix_f_numpy-intro.ipynb)] --- #### 引用本书 非常欢迎在科学出版物及其他作品中复用本书代码片段或其他内容； 若如此，恳请引用原始来源： **BibTeX**： ``` @Book{raschka2015python, author = {Raschka, Sebastian}, title = {Python Machine Learning}, publisher = {Packt Publishing}, year = {2015}, address = {Birmingham, UK}, isbn = {1783555130} } ``` **MLA**： Raschka, Sebastian. *Python machine learning*. Birmingham, UK: Packt Publishing, 2015. Print. --- ### [反馈与评论](./docs/feedback.md) #### [简短书评摘录](./docs/feedback.md) [![](./images/pymle_amzn.png)](https://www.amazon.com/Python-Machine-Learning-Sebastian-Raschka/dp/1783555130/ref=sr_1_1?ie=UTF8&qid=1472342570&sr=8-1&keywords=sebastian+raschka) --- > *Sebastian Raschka 的新书《Python Machine Learning》刚刚出版。我有机会阅读了审阅版，结果正如我所料——非常棒！结构清晰、极易上手，不仅为聪明的非专业人士打下了良好基础，从业者也能从中获得灵感并学到新技巧。* – Lon Riesberg，[Data Elixir](http://dataelixir.com/issues/55#start) > *出色的工作！到目前为止，在我看来它在理论与实践的把握上恰到好处……数学与代码兼顾！* – [Brian Thomas](http://sebastianraschka.com/blog/2015/writing-pymle.html#comment-2295668894) > *我（几乎）读过所有围绕 Scikit-learn 的机器学习书籍，这本无疑是其中最好的一本。* – [Jason Wolosonovich](https://www.linkedin.com/pulse/python-machine-learning-sebastian-raschka-review-jason-wolosonovich?trk=prof-post) > *这是我见过的 PACKT Publishing 出品的最佳图书。这是一本写得非常好的 Python 机器学习入门书。正如其他人所指出的，理论与应用的结合堪称完美。* – [Josh D.](https://www.amazon.com/gp/customer-reviews/R27WB1GWTNGIR2/ref=cm_cr_getr_d_rvw_ttl?ie=UTF8&ASIN=1783555130) > *一本很难得的、兼具多种优点的书：将掌控理论所需的数学与应用性的 Python 编码结合起来。也很高兴看到它没有像许多其他书那样，为了迎合更广泛的读者而浪费篇幅去介绍 Python 入门。可以看出它是由有见地的作者所写，而不只是 DIY 爱好者。* – [Amazon Customer](https://www.amazon.com/gp/customer-reviews/RZWY4TF66Z6V0/ref=cm_cr_getr_d_rvw_ttl?ie=UTF8&ASIN=1783555130) > *Sebastian Raschka 创作了一份精彩的机器学习教程，将理论与实践相结合。该书从理论角度解释机器学习，并有大量代码示例展示如何实际运用机器学习技术。初学者或高级程序员都可以阅读。* - William P. Ross，[7 Must Read Python Books](http://williampross.com/7-must-read-python-books/) #### 较长书评 如果你需要帮忙判断是否适合阅读本书，可以查看下方链接中的一些“较长”书评。（如果你写过书评，请告诉我，我很乐意将其加入列表。） - [Python Machine Learning Review](http://www.bcs.org/content/conWebDoc/55586)，作者 Patrick Hill，发表于英国特许信息技术学会（Chartered Institute for IT） - [Book Review: Python Machine Learning by Sebastian Raschka](http://whatpixel.com/python-machine-learning-book-review/)，作者 Alex Turner，发表于 WhatPixel --- ## 链接 - 电子书与纸质书：[Amazon.com](http://www.amazon.com/Python-Machine-Learning-Sebastian-Raschka/dp/1783555130/ref=sr_1_2?ie=UTF8&qid=1437754343&sr=8-2&keywords=python+machine+learning+essentials), [Amazon.co.uk](http://www.amazon.co.uk/Python-Machine-Learning-Sebastian-Raschka/dp/1783555130), [Amazon.de](http://www.amazon.de/s/ref=nb_sb_noss_2?__mk_de_DE=ÅMÅŽÕÑ&url=search-alias%3Daps&field-keywords=python+machine+learning) - [电子书与纸质书](https://www.packtpub.com/big-data-and-business-intelligence/python-machine-learning)，来自出版社 Packt - 其他书店：[Google Books](https://books.google.com/books?id=GOVOCwAAQBAJ&source=gbs_slider_cls_metadata_7_mylibrary), [O'Reilly](http://shop.oreilly.com/product/9781783555130.do), [Safari](https://www.safaribooksonline.com/library/view/python-machine-learning/9781783555130/), [Barnes & Noble](http://www.barnesandnoble.com/w/python-machine-learning-essentials-sebastian-raschka/1121999969?ean=9781783555130), [Apple iBooks](https://itunes.apple.com/us/book/python-machine-learning/id1028207310?mt=11), ... - 社交平台：[Goodreads](https://www.goodreads.com/book/show/25545994-python-machine-learning) #### 译本 - [意大利语译本](https://www.amazon.it/learning-Costruire-algoritmi-generare-conoscenza/dp/8850333978/)，经 "Apogeo" 出版 - [德语译本](https://www.amazon.de/Machine-Learning-Python-mitp-Professional/dp/3958454224/)，经 "mitp Verlag" 出版 - [日语译本](http://www.amazon.co.jp/gp/product/4844380605/)，经 "Impress Top Gear" 出版 - [中文译本（繁体中文）](https://taiwan.kinokuniya.com/bw/9789864341405) - [中文译本（简体中文）](https://book.douban.com/subject/27000110/) - [韩语译本](http://www.kyobobook.co.kr/product/detailViewKor.laf?mallGb=KOR&ejkGb=KOR&barcode=9791187497035)，经 "Kyobo" 出版 - [波兰语译本](https://www.amazon.de/Python-Uczenie-maszynowe-Sebastian-Raschka/dp/8328336138/ref=sr_1_11?ie=UTF8&qid=1513601461&sr=8-11&keywords=sebastian+raschka)，经 "Helion" 出版 --- ### [文献参考与延伸阅读资源](./docs/references.md) ### [勘误](./docs/errata.md) --- ### 附赠 Notebook（书中未收录） - Logistic Regression Implementation [[dir](./code/bonus)] [[ipynb](./code/bonus/logistic_regression.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/bonus/logistic_regression.ipynb)] - A Basic Pipeline and Grid Search Setup [[dir](./code/bonus)] [[ipynb](./code/bonus/svm_iris_pipeline_and_gridsearch.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/bonus/svm_iris_pipeline_and_gridsearch.ipynb)] - An Extended Nested Cross-Validation Example [[dir](./code/bonus)] [[ipynb](./code/bonus/nested_cross_validation.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/bonus/nested_cross_validation.ipynb)] - A Simple Barebones Flask Webapp Template [[view directory](./code/bonus/flask_webapp_ex01)][[download as zip-file](https://github.com/rasbt/python-machine-learning-book/raw/master/code/bonus/flask_webapp_ex01/flask_webapp_ex01.zip)] - Reading handwritten digits from MNIST into NumPy arrays [[GitHub ipynb](./code/bonus/reading_mnist.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/bonus/reading_mnist.ipynb)] - Scikit-learn Model Persistence using JSON [[GitHub ipynb](./code/bonus/scikit-model-to-json.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/bonus/scikit-model-to-json.ipynb)] - Multinomial logistic regression / softmax regression [[GitHub ipynb](./code/bonus/softmax-regression.ipynb)] [[nbviewer](http://nbviewer.ipython.org/github/rasbt/python-machine-learning-book/blob/master/code/bonus/softmax-regression.ipynb)]
**"相关内容"（书中未收录）** - [Model evaluation, model selection, and algorithm selection in machine learning - Part I](http://sebastianraschka.com/blog/2016/model-evaluation-selection-part1.html) - [Model evaluation, model selection, and algorithm selection in machine learning - Part II](http://sebastianraschka.com/blog/2016/model-evaluation-selection-part2.html) - [Model evaluation, model selection, and algorithm selection in machine learning - Part III](http://sebastianraschka.com/blog/2016/model-evaluation-selection-part3.html) --- #### SciPy 2016 我们在奥斯汀参加的 [SciPy 2016](http://scipy2016.scipy.org/ehome/index.php?eventid=146062&tabid=332930&) 度过了非常愉快的时光！能与这么多本书的读者见面交流，真是莫大的荣幸。非常感谢大家的赞誉与反馈！如果你错过了，Andreas Mueller 和我曾做过一场 **Introduction to Machine Learning with Scikit-learn**；如果你感兴趣，[Part I](https://www.youtube.com/watch?v=OB1reY6IX-o&index=91&list=PLYx7XA2nY5Gf37zYZMw6OqGFRPjB1jCy6) 和 [Part II](https://www.youtube.com/watch?v=Cte8FYCpylk&list=PLYx7XA2nY5Gf37zYZMw6OqGFRPjB1jCy6&index=90) 的视频录像现已上线！ [![](images/scipy2016.jpg)](https://www.youtube.com/watch?v=OB1reY6IX-o&index=91&list=PLYx7XA2nY5Gf37zYZMw6OqGFRPjB1jCy6) #### PyData Chicago 2016 我曾在 PyData Chicago 2016 上尝试完成一项颇具挑战的任务：在*仅仅* 90 分钟内介绍 scikit-learn 与机器学习（machine learning）。幻灯片与教程材料可在「[Learning scikit-learn -- An Introduction to Machine Learning in Python](https://github.com/rasbt/pydata-chicago2016-ml-tutorial).」获取。 --- **说明** 我另外搭建了一个独立库 [`mlxtend`](http://rasbt.github.io/mlxtend/),，其中包含更多机器学习（以及一般意义上的「数据科学」）算法的实现。我还加入了本书中的若干实现（例如决策区域图、人工神经网络，以及序列特征选择算法），并补充了额外功能。 [![](./images/mlxtend_logo.png)](http://rasbt.github.io/mlxtend/)
### 译本 [![](./images/pymle-cover_it.jpg)](https://www.amazon.it/learning-Costruire-algoritmi-generare-conoscenza/dp/8850333978/) [![](./images/pymle-cover_de.jpg)](https://www.amazon.de/Machine-Learning-Python-mitp-Professional/dp/3958454224/) [![](./images/pymle-cover_jp.jpg)](http://www.amazon.co.jp/gp/product/4844380605/) [![](./images/pymle-cover_cn.jpg)](https://taiwan.kinokuniya.com/bw/9789864341405) [![](./images/pymle-cover_cn_mainland.jpg)](https://book.douban.com/subject/27000110/) [![](./images/pymle-cover_kr.jpg)](http://www.kyobobook.co.kr/product/detailViewKor.laf?ejkGb=KOR&mallGb=KOR&barcode=9791187497035&orderClick=LEA&Kc=) [![](./images/pymle-cover_ru.jpg)](http://www.ozon.ru/context/detail/id/140152222/) [![](./images/pymle-cover_pl.jpg)](https://www.amazon.de/Python-Uczenie-maszynowe-Sebastian-Raschka/dp/8328336138/ref=sr_1_11?ie=UTF8&qid=1513601461&sr=8-11&keywords=sebastian+raschka)
--- ***亲爱的读者们***， 首先，我要感谢大家对本书的大力支持！我非常高兴收到你们迄今为止发来的诸多精彩反馈，也很欣慰这本书能对广大读者如此有用。 过去几个月里，我收到了数百封邮件，并尽力在有限时间内尽可能多地回复。为了让这些回答也能惠及其他读者，我将其中许多内容整理进了下方的 FAQ 部分。 此外，有些人询问是否有供读者讨论本书内容的平台。我希望这能为大家提供一个与其他读者交流、分享知识的机会： #### [Google Groups 讨论区](https://groups.google.com/forum/#!forum/python-machine-learning-reader-discussion-board) （若时间允许，我也会尽力亲自回答问题！:）） > 对于好建议，唯一该做的事就是把它传递下去。它对自己从来毫无用处。 — Oscar Wilde --- ## 读者示例与应用 再次向大家对本书的积极反馈致以（大大的！）感谢。我收到许多读者来信，他们将本书的概念与示例付诸实践，并在各自项目中善加运用。在本节中，我开始收集其中一些精彩应用；若你愿意，我很乐意把你的项目也加入这份列表——发封简短邮件即可！ - [40 个光学字符识别（Optical Character Recognition）脚本](https://github.com/rrlyman/PythonMachineLearingExamples)，作者 [Richard Lyman](https://github.com/rrlyman) - [代码实验](https://github.com/jeremyn/python-machine-learning-book)，作者 [Jeremy Nation](https://github.com/jeremyn) - [从零用 Python 实现分类器，我学到了什么](http://www.jeannicholashould.com)，作者 [Jean-Nicholas Hould](http://www.jeannicholashould.com) ## FAQ ### 一般问题 - [什么是机器学习与数据科学？](./faq/datascience-ml.md) - [为什么你和其他人有时会从零实现机器学习算法？](./faq/implementing-from-scratch.md) - [在数据科学中，我应专注于哪条学习路径/学科方向？](./faq/data-science-career.md) - [应在何时开始为开源项目做贡献？](./faq/open-source.md) - [你认为拥有导师对学习过程有多重要？](./faq/mentor.md) - [围绕数据科学/机器学习或 Python 的最佳在线社区有哪些？](./faq/ml-python-communities.md) - [你会如何向软件工程师解释机器学习？](./faq/ml-to-a-programmer.md) - [你为机器学习初学者设计的课程大纲会是什么样？](./faq/ml-curriculum.md) - [数据科学的定义是什么？](./faq/definition_data-science.md) - [数据科学家如何进行模型选择？这与 Kaggle 有何不同？](./faq/model-selection-in-datascience.md) ### 关于机器学习领域的问题 - [人工智能（Artificial Intelligence）与机器学习有何关联？](./faq/ai-and-ml.md) - [机器学习在该领域有哪些真实世界应用示例？](./faq/ml-examples.md) - [数据挖掘（data mining）包含哪些不同的研究领域？](./faq/datamining-overview.md) - [机器学习与数据挖掘这两个领域的研究性质有何差异？](./faq/datamining-vs-ml.md) - [如何判断一个问题能否通过机器学习解决？](./faq/ml-solvable.md) - [机器学习的起源是什么？](./faq/ml-origins.md) - [分类器作为学习机器是如何发展起来的？](./faq/classifier-history.md) - [哪些机器学习算法可被视为最佳之列？](./faq/best-ml-algo.md) - [分类器有哪些大类？](./faq/classifier-categories.md) - [分类器（classifier）与模型（model）有何区别？](./faq/difference_classifier_model.md) - [参数学习算法（parametric learning algorithm）与非参数学习算法（nonparametric learning algorithm）有何区别？](./faq/parametric_vs_nonparametric.md) - [机器学习中代价函数（cost function）与损失函数（loss function）有何区别？](./faq/cost-vs-loss.md) ### 关于机器学习概念与统计学的问题 ##### 代价函数与优化 - [通过闭式方程拟合模型 vs. 梯度下降（Gradient Descent）vs 随机梯度下降（Stochastic Gradient Descent）vs 小批量学习（Mini-Batch Learning）——有何区别？](./faq/closed-form-vs-gd.md) - [如何推导线性回归（Linear Regression）与 Adaline 的梯度下降规则？](./faq/linear-gradient-derivative.md) ##### 回归分析 - [Pearson R 与简单线性回归（Simple Linear Regression）有何区别？](./faq/pearson-r-vs-linear-regr.md) ##### 树模型 - [随机森林（random forest）模型如何工作？它与集成模型中的 bagging 和 boosting 有何不同？](./faq/bagging-boosting-rf.md) - [对大型数据集使用经典决策树算法有哪些缺点？](./faq/decision-tree-disadvantages.md) - [为什么决策树算法的实现通常是二分的？不同不纯度指标各有何优势？](./faq/decision-tree-binary.md) - [为什么我们通过熵（entropy）而非分类误差来生长决策树？](./faq/decisiontree-error-vs-entropy.md) - [随机森林何时可能表现极差？](./faq/random-forest-perform-terribly.md) ##### 模型评估 - [什么是过拟合（overfitting）？](./faq/overfitting.md) - [如何避免过拟合？](./faq/avoid-overfitting.md) - [进行交叉验证（cross validation）时，折数（fold）是否越多越好？](./faq/number-of-kfolds.md) - [训练 SVM 分类器时，支持向量（support vector）数量多些好还是少些好？](./faq/num-support-vectors.md) - [如何评估模型？](./faq/evaluate-a-model.md) - [多类分类（multi-class classification）的最佳验证指标是什么？](./faq/multiclass-metric.md) - [选择预测建模技术时应考虑哪些因素？](./faq/choosing-technique.md) - [哪些最佳玩具数据集有助于可视化并理解分类器行为？](./faq/clf-behavior-data.md) - [如何选择 SVM 核函数（kernel）？](./faq/select_svm_kernels.md) - [插曲：在交叉验证中比较与计算性能指标——类别不平衡问题与计算 F1 分数的 3 种不同方法](./faq/computing-the-f1-score.md) ##### 逻辑回归（Logistic Regression） - [什么是 Softmax 回归？它与逻辑回归有何关系？](./faq/softmax_regression.md) - [为什么逻辑回归被视为线性模型？](./faq/logistic_regression_linear.md) - [正则化逻辑回归的概率解释是什么？](./faq/probablistic-logistic-regression.md) - [逻辑回归中的正则化是否总能带来更好的拟合和更好的泛化？](./faq/regularized-logistic-regression-performance.md) - [朴素贝叶斯（Naive Bayes）与逻辑回归的主要区别是什么？](./faq/naive-bayes-vs-logistic-regression.md) - [在机器学习语境下，"softmax 与多项逻辑损失（multinomial logistic loss）"究竟指什么？](./faq/softmax.md) - [逻辑回归与神经网络有何关系？应何时选用哪一种？](./faq/logisticregr-neuralnet.md) - [逻辑回归：为何使用 sigmoid 函数？](./faq/logistic-why-sigmoid.md) - [逻辑回归是否存在类似线性回归正规方程（Normal Equation）的解析解？](./faq/logistic-analytical.md) ##### 神经网络与深度学习（Neural Networks and Deep Learning） - [深度学习与常规机器学习有何区别？](./faq/difference-deep-and-normal-learning.md) - [能否用可视化方式解释神经网络的反向传播（back propagation）算法？](./faq/visual-backpropagation.md) - [为何深度网络的发明花了这么长时间？](./faq/inventing-deeplearning.md) - [学习深度学习有哪些好书/论文？](./faq/deep-learning-resources.md) - [为何深度学习库如此之多？](./faq/many-deeplearning-libs.md) - [为何有人反感神经网络/深度学习？](./faq/deeplearning-criticism.md) - [如何判断深度学习是否比 SVM 或随机森林更适合某个具体问题？](./faq/deeplearn-vs-svm-randomforest.md) - [神经网络误差上升时问题出在哪里？](./faq/neuralnet-error.md) - [如何调试人工神经网络算法？](./faq/nnet-debugging-checklist.md) - [感知机（Perceptron）、Adaline 与神经网络模型有何区别？](./faq/diff-perceptron-adaline-neuralnet.md) - [Dropout 技术的基本思路是什么？](./faq/dropout.md) ##### 其他监督学习算法 - [为何最近邻（Nearest Neighbor）是惰性算法（Lazy Algorithm）？](./faq/lazy-knn.md) ##### 无监督学习（Unsupervised Learning） - [聚类（clustering）有哪些常见问题？](./faq/issues-with-clustering.md) ##### 半监督学习（Semi-Supervised Learning） - [半监督学习相比监督学习与无监督学习有哪些优势？](./faq/semi-vs-supervised.md) ##### 集成方法（Ensemble Methods） - [用 Stacking 组合分类器是否优于只选最优的那一个？](./faq/logistic-boosting.md) ##### 预处理、特征选择与特征提取 - [为何需要用训练集拟合的参数来变换测试数据？](./faq/scale-training-test.md) - [机器学习中有哪些降维（dimensionality reduction）方法？](./faq/dimensionality-reduction.md) - [降维时 LDA 与 PCA 有何区别？](./faq/lda-vs-pca.md) - [何时应进行数据归一化/标准化（normalization/standardization）？](./faq/when-to-standardize.md) - [均值中心化或特征缩放会影响主成分分析（Principal Component Analysis）吗？](./faq/pca-scaling.md) - [面对特征数量很多的机器学习问题，该如何着手？](./faq/large-num-features.md) - [处理缺失数据有哪些常见做法？](./faq/missing-data.md) - [特征选择的 filter、wrapper 与 embedded 方法有何区别？](./faq/feature_sele_categories.md) - [数据准备/预处理是否应算作特征工程的一部分？为什么？](./faq/dataprep-vs-dataengin.md) - [文本分类中的词袋（bag of words）特征表示是否可视为稀疏矩阵？](./faq/bag-of-words-sparsity.md) ##### 朴素贝叶斯（Naive Bayes） - [为何朴素贝叶斯分类器被称为 "naive"？](./faq/naive-naive-bayes.md) - [朴素贝叶斯的决策边界是什么？](./faq/naive-bayes-boundary.md) - [朴素贝叶斯分类器能否用于混合变量类型？](./faq/naive-bayes-vartypes.md) - [朴素贝叶斯能否混合不同变量类型，例如二值特征与连续特征？](./naive-bayes-vartypes.md) ##### 其他 - [从机器学习角度看，欧氏距离（Euclidean distance）是什么？](./faq/euclidean-distance.md) - [何时应使用中位数，而非均值或平均数？](./faq/median-vs-mean.md) ##### 数据科学与机器学习的编程语言与库 - [R 语言如今是否仍广泛用于数据科学？](./faq/r-in-datascience.md) - [TensorFlow 与 scikit-learn 的主要区别是什么？](./faq/tensorflow-vs-scikitlearn.md)
### 关于本书的问题 - [我能否在演示或博客中使用书中的段落与图片？](./faq/copyright.md) - [本书与其他机器学习书籍有何不同？](./faq/different.md) - [代码示例使用的是哪个 Python 版本？](./faq/py2py3.md) - [使用了哪些技术与库？](./faq/technologies.md) - [你推荐哪个版本/格式的书？](./faq/version.md) - [为何选择 Python 做机器学习？](./faq/why-python.md) - [代码示例中为何使用这么多前导与尾随下划线？](./faq/underscore-convention.md) - [代码示例中 `return self` 惯用法有何用途？](./faq/return_self_idiom.md) - [有哪些先修要求与推荐阅读？](./faq/prerequisites.md) - [如何将 SVM 用于分类数据？](./faq/svm_for_categorical.md) ## 联系方式 我很乐意回答问题！请给我写[邮件](mailto:mail@sebastianraschka.com) ，或在 [Google Groups 邮件列表](https://groups.google.com/forum/#!forum/python-machine-learning-book). 上提问。 若想保持联系，我的 Twitter ([@rasbt](https://twitter.com/rasbt)) 上常有数据科学与机器学习相关动态。我还在[博客](http://sebastianraschka.com/articles.html) 分享我特别感兴趣的内容。