MATLAB機器學習

第 1章 MATLAB機器學習初體驗 1
1．1　機器學習基礎　1
1．2　機器學習算法的分類　4
1．2．1　監(jiān)督學習　4
1．2．2　非監(jiān)督學習　5
1．2．3　強化學習　5
1．3　選擇正確的算法　6
1．4　構(gòu)建機器學習模型的流程　7
1．5　MATLAB中的機器學習支持簡介　8
1．5．1　操作系統(tǒng)、硬件平臺要求　10
1．5．2　MATLAB安裝要求　11
1．6　統(tǒng)計機器學習工具箱　11
1．6．1　數(shù)據(jù)類型　13
1．6．2　統(tǒng)計機器學習工具箱功能簡介　13
1．7　神經(jīng)網(wǎng)絡工具箱　18
1．8　MATLAB中的統(tǒng)計學和線性代數(shù)　19
1．9　總結(jié)　21
第　2章 使用MATLAB導入數(shù)據(jù)和組織數(shù)據(jù)　22
2．1　熟悉MATLAB桌面　22
2．2　將數(shù)據(jù)導入MATLAB　27
2．2．1　導入向?qū)А?7
2．2．2　通過程序語句導入數(shù)據(jù)　29
2．3　從MATLAB導出數(shù)據(jù)　36
2．4　處理媒體文件　37
2．4．1　處理圖像數(shù)據(jù)　37
2．4．2　音頻的導入/導出　39
2．5　數(shù)據(jù)組織　39
2．5．1　元胞數(shù)組　40
2．5．2　結(jié)構(gòu)體數(shù)組　42
2．5．3　table類型　44
2．5．4　分類數(shù)組　46
2．6　總結(jié)　47
第3章　從數(shù)據(jù)到知識挖掘　49
3．1　區(qū)分變量類別　50
3．1．1　定量變量　50
3．1．2　定性變量　50
3．2　數(shù)據(jù)準備　51
3．2．1　初步查看數(shù)據(jù)　51
3．2．2　找到缺失值　53
3．2．3　改變數(shù)據(jù)類型　54
3．2．4　替換缺失值　54
3．2．5　移除缺失值　55
3．2．6　為表格排序　56
3．2．7　找到數(shù)據(jù)中的異常值　56
3．2．8　將多個數(shù)據(jù)源合并成一個數(shù)據(jù)源　57
3．3　探索性統(tǒng)計指標—數(shù)值測量　59
3．3．1　位置測量　59
3．3．2　分散度的測量　61
3．3．3　分布形狀的測量　64
3．4　探索性可視化　66
3．4．1　圖形數(shù)據(jù)統(tǒng)計分析對話框　67
3．4．2　柱狀圖　70
3．4．3　箱形圖　75
3．4．4　散點圖　77
3．5　總結(jié)　78
第4章　找到變量之間的關系—回歸方法　80
4．1　尋找線性關系　80
4．1．1　最小二乘回歸　81
4．1．2　基本擬合接口　86
4．2　如何創(chuàng)建一個線性回歸模型　88
4．2．1　通過穩(wěn)健回歸消除異常值的影響　93
4．2．2　多元線性回歸　96
4．3　多項式回歸　101
4．4　回歸學習器App　103
4．5　總結(jié)　107
第5章　模式識別之分類算法　108
5．1　決策樹分類　108
5．2　概率分類模型—樸素貝葉斯分類　115
5．2．1　概率論基礎　116
5．2．2　使用樸素貝葉斯進行分類　119
5．2．3　MATLAB中的貝葉斯方法　120
5．3　判別分析分類　123
5．4　k鄰近算法　128
5．5　MATLAB分類學習器App　132
5．6　總結(jié)　136
第6章　無監(jiān)督學習　137
6．1　聚類分析簡介　137
6．1．1　相似度與離散度指標　138
6．1．2　聚類方法類型簡介　139
6．2　層次聚類算法　141
6．2．1　層次聚類中的相似度指標　141
6．2．2　定義層次聚類中的簇　143
6．2．3　如何理解層次聚類圖　145
6．2．4　驗證聚類結(jié)果　147
6．3　k均值聚類—基于均值聚類　148
6．3．1　k均值算法　148
6．3．2　函數(shù)kmeans()　149
6．3．3　silhouette圖—可視化聚類結(jié)果　152
6．4　k中心點聚類—基于樣本中心聚類　153
6．4．1　什么是中心點　154
6．4．2　函數(shù)kmedoids()　154
6．4．3　評估聚類結(jié)果　156
6．5　高斯混合模型聚類　156
6．5．1　高斯分布　156
6．5．2　MATLAB中的GMM支持　157
6．5．3　使用后驗概率分布進行聚類　159
6．6　總結(jié)　160
第7章　人工神經(jīng)網(wǎng)絡——模擬人腦的思考方式　162
7．1　神經(jīng)網(wǎng)絡簡介　162
7．2　神經(jīng)網(wǎng)絡基礎構(gòu)成　165
7．2．1　隱藏層數(shù)量　170
7．2．2　每層的節(jié)點數(shù)量　170
7．2．3　神經(jīng)網(wǎng)絡訓練方法　170
7．3　神經(jīng)網(wǎng)絡工具箱　171
7．4　工具箱的用戶界面　175
7．5　使用神經(jīng)網(wǎng)絡進行數(shù)據(jù)擬合　176
7．5．1　如何使用擬合App（nftool）　178
7．5．2　腳本分析　186
7．6　總結(jié)　188
第8章　降維——改進機器學習模型的性能　190
8．1　特征選擇　190
8．1．1　分步回歸　191
8．1．2　MATLAB中的分步回歸　192
8．2　特征提取　199
8．3　總結(jié)　210
第9章　機器學習實戰(zhàn)　211
9．1　用于預測混凝土質(zhì)量的數(shù)據(jù)擬合　211
9．2　使用神經(jīng)網(wǎng)絡診斷甲狀腺疾病　222
9．3　使用模糊聚類對學生進行分簇　226
9．4　總結(jié)　231