机读格式显示(MARC)

• 000 01742cam0 2200337 450

• 001 0000432097

• 005 20241218160500.0

• 010 __ |a 978-7-302-66092-7 |d CNY128.00

• 021 __ |a CN |b 01-2023-6190

• 099 __ |a CAL 012024079332

• 100 __ |a 20240729d2024 emky0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a a z 000yy

• 106 __ |a r

• 200 1_ |a 集成学习实战 |A ji cheng xue xi shi zhan |f (美) 高塔姆·库纳普利(Gautam Kunapuli)著 |g 郭涛译

• 210 __ |a 北京 |c 清华大学出版社 |d 2024

• 215 __ |a XVIII, 314页 |c 彩图 |d 24cm

• 312 __ |a 原文题目取自版权页

• 314 __ |a Gautam Kunapuli, 拥有逾15年的学术界和机器学习行业经验, 重点研究人机协作学习、基于知识和建议的学习算法, 以及针对机器学习难题的可扩展学习。

• 314 __ |a 郭涛, 主要从事人工智能、现代软件工程、智能空间信息处理与时空大数据挖掘分析等前沿交叉研究。

• 330 __ |a 集成学习通过自动对比多个模型的输出, 将输出结合起来, 融合成强大的集成模型, 得出最优结果。集成学习发挥“集体智慧”, 结果更准确, 克服了单一模型的局限性。这种创新方法能够综合多个视角的响应 ; 即使在没有大规模数据集的情况下, 也能给出可靠的预测结果。 《集成学习实战》呈现同时应用多种机器学习方法的实用技巧。每章都列举一个独特案例 (如医学诊断、情感分析等), 展示一个功能完备的集成方法。本书不探讨深奥的数学知识, 所讲内容浅显易懂, 代码丰富, 供你轻松进行实验！主要内容: Bagging法、提升法和梯度提升法 ; 分类、回归和检索方法 ; 集成方法的模型和决策可解释性 ; 特征工程和集成多样性。

• 510 1_ |a Ensemble methods for machine learning |z eng

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP181 |v 5

• 701 _1 |a 库纳普利 |A ku na pu li |g (Kunapuli, Gautam) |4 著

• 702 _0 |a 郭涛 |A guo tao |4 译

• 801 _0 |a CN |b PUL |c 20240729

• 905 __ |a XATU |d TP181/378

• 920 __ |a 261060 |z 1

• 998 __ |a PUL