《精通机器学习:基于R(第2版)》是一本内容丰富、深入浅出的机器学习教材。本书通过结合机器学习和R语言，为读者提供了扎实的算法基础和业务基础。从机器学习基本概念到线性回归、逻辑回归和判别分析，再到线性模型的高级选择特性，以及K最近邻和支持向量机等内容，本书力图平衡实践中的技术和理论两方面。无论是学习机器学习的初学者还是专业人士，都能从本书中获得宝贵的知识和实战经验。无论是理论知识的讲解还是实例的演示，本书都非常详细清晰，帮助读者理解和掌握机器学习的核心概念和技术。《精通机器学习:基于R(第2版)》是一本值得推荐的机器学习学习指南。
精通机器学习:基于R电子书封面
读者评价
LASSO、惩罚项、SVM，很好，我知道了什么是我不知道的。| 好看的封面&第一章里面超厉害的流程总结让我给它满分（希望我的进度不要止步于此）。以及，逼迫自己“理智地”思考也是有点抖M了
有灵魂的一本书，适合入门，讲述清晰。 如本书副标题所说，“理论与技术的完美并重”，不管是对模型的理论讲解还是对业务逻辑的分析都很清晰明确，颇有洞察。
作为一个研一新生，在读完第二章线性回归之后，发现本书并不像其他机器学习的书一样仅仅介绍模型及预测，而是从数理统计的角度来分析并解释模型，全书要求的数学基础较高，并要大致了解r语言，总体来说值得初学者一读。
内容介绍
机器学习是近年来的热门技术话题，R语言是处理其中大量数据的有力工具。本书为读者提供机器学习和R语言的坚实算法基础和业务基础，内容包括机器学习基本概念、线性回归、逻辑回归和判别分析、线性模型的高级选择特性、K最近邻和支持向量机等，力图平衡实践中的技术和理论两方面
目录
- 第1章 成功之路 1
- 第2章 线性回归：机器学习基础技术 11
- 第3章 逻辑斯蒂回归与判别分析 35
- 第4章 线性模型中的高级特征选择技术 58
- 第5章 更多分类技术：K最近邻与
- 支持向量机 82
- 第6章 分类回归树 103
- 第7章 神经网络与深度学习 124
- 数据集 141
- 第8章 聚类分析 147
- 第9章 主成分分析 169
- 第10章 购物篮分析、推荐引擎与
- 序列分析 185
- 第11章 创建集成多类分类 215
- 第12章 时间序列与因果关系 229
- 第13章 文本挖掘 250
- 第14章 在云上使用R语言 268
- 附录 R语言基础 275
数据预处理 之所以要做数据预处理，是因为提供的数据集往往很少是可以直接拿来用的。 可能的情况有： 1. 样本某些属性值缺失 2. 有未标记样本 3. 样本的属性太多 4. 样本量不足 5. 没有分出测试集和验证集 6. 不同类的样本数相差比较大
这段时间把《机器学习》看了一遍，总的来说，除了前两章是基础，其余章节都是介绍模型方法，应用场景、理论推导、优化过程、算法等，每章都可独立阅读而不受其他章节影响。 如果只是每一章都看完，顶多就是了解了一种方法，相互之间是割裂的，这样当碰到一个实际问题，仍然无法思路完整的求解，因而有必要在阅读时就要有意识甚至刻意的建立起知识架构。实际上，所谓的机器学习，是面对一个具体的问题，从给定的数据中产生模型的算法，也就是说脱离了实际问题谈机器学习算法是毫无意义的。 参考本书的章节内容，加上自己在读书、工作中的一些理解，简单总结一下基于机器学习的一般性问题解决方法。
归纳是从特殊到一般的“泛化”过程。演绎则是从一般到特殊的“特化”过程。“从样例中学习”显然是一个归纳的过程，因此也成为“归纳学习”。这又分为狭义和广义之分，广义的归纳学习大体相当于从样例中学习，而狭义的归纳学习则要求从训练数据中学得概念，因此也成为“概念学习”或“概念形成”。但是这种学习应用较少，因为要学得泛化性能好且语义明确的概念实在太困难了。