图灵社区的电子书没有采用专有客 户端，您可以在任意设备上，用自 己喜欢的浏览器和PDF阅读器进行 阅读。 但您购买的电子书仅供您个人使用， 未经授权，不得进行传播。 我们愿意相信读者具有这样的良知 和觉悟，与我们共同保护知识产权。 如果购买者有侵权行为，我们可能 对该用户实施包括但不限于关闭该 帐号等维权措施，并可能追究法律 责任。 版 权 声 明 Copyright © 2017 Packt Publishing. First published in the English language under the title Mastering Machine Learning with R (Second Edition). Simplified Chinese-language edition copyright © 2018 by Posts & Telecom Press. All rights reserved. 本书中文简体字版由 Packt Publishing 授权人民邮电出版社独家出版。未经出版者书面许可，不得以任 何方式复制或抄袭本书内容。 版权所有，侵权必究。 内 容 提 要 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、逻辑斯蒂回归和判别分 析、线性模型的高级特征选择、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。 本书适合想理解和表述机器学习算法的 IT 人士、想在分析中发挥 R 强大威力的统计学专家。即使是 同时精通 IT 技术和统计学的读者，在本书中仍然可以发现一些有用的窍门和技巧。 [美] Cory Lesmeister 译 陈光欣 责任编辑 陈 曦 责任印制 周昇亮 北京市丰台区成寿寺路11号 ◆ 人民邮电出版社出版发行 ◆ 著 邮编 100164 网址 http://www.ptpress.com.cn 北京 电子邮件 [email protected] 印刷 ◆ 开本：800×1000 1/16 印张：19.5 字数：461千字 印数：1 — 4 000册 著作权合同登记号 2018年 2 月第 1 版 2018年 2 月北京第 1 次印刷 图字：01-2017-5046号 定价：69.00元 读者服务热线：(010)51095186转600 印装质量热线：(010)81055316 反盗版热线：(010)81055315 广告经营许可证：京东工商广登字 20170147 号 前 言 1 1 前 2 言 3 “应该给人第二次机会，但一定要留个心眼儿。 ” 4 ——约翰·韦恩 人生中，能得到第二次机会可不常见。我还记得完成本书第1版的编辑工作之后，我不停地 问自己：“为什么不……？”或者“我都写了些什么东西啊？”实际上，本书第1版出版之后，我 做的第一个项目没有使用书中的任何一种方法。我暗下决心，如果还有机会，一定要在第2版中 介绍这些方法。 当我开始写作第1版时，目标是做出点不一样的东西，在介绍各种机器学习方法的同时，还 要使内容喜闻乐见。收到所有反馈之后，我认为自己实现了这个目标。但事物总是不完美的，而 且，如果你想满足所有人的需要，那最终谁都满足不了。我想起了自己最喜欢的那句腓特烈大帝 的名言：“诸事皆殚精竭虑者，终将一无所成。”所以，我并非一味求全，而是提供足够的技能和 工具，来使读者尽量轻松愉快地学习R语言和机器学习。在第1版的基础之上，我又添加了一些非 常有趣的新技术。总会有一些批评者抱怨这本书没有提供足够的数学知识，或是缺少某些方面的 内容。我对这些意见的回答是：它们已经存在！为什么因为有人抱怨就要重复那些已经有人做了， 并且做得非常好的事情呢？再次声明，我要写出一些与众不同的东西，一些能够抓住读者眼球并 能使他们在这个充满竞争的领域取得成功的东西。 给出第2版每章内容的修改（或改进）之前，我先解释一下第2版总体上的变化。第一个总体 变化就是，我放弃了一直使用 = 作为赋值操作符（而不是使用 <-）的努力。当我越来越多地与 他人分享代码时，我意识到再也不能使用=，而应该使用 <-了。签下第2版合约之后，我做的第 一件事就是逐行检查代码，将 = 修改为 <-。第2版更重要的一个改变是，代码更加整洁和标准 化，这对于与合作者和管理者（恕我直言）分享代码也非常重要。使用版本较新的RStudio可以 非常方便地实现代码标准化，写出的代码真是太标准了！嗯，首先就是要为代码加上合适的空格。 举例来说，以前我会不假思索地写出c(1,2,3,4,5,6)这样的代码，连一个空格都懒得加。现在， 我会写成c(1, 2, 3, 4, 5, 6)，每个逗号后面都加一个空格，这样代码就会更加易读。如果 你还想了解更多代码标准，可以参见谷歌的R代码风格指南https://google.github.io/styleguide/ Rguide.xml/。 5 6 7 8 9 10 11 12 13 2 前 言 我还收到了一些电子邮件，说我在网上获取的部分数据已经不存在了。国家冰球联盟已经决 定使用一套全新的统计方法，所以我必须从头开始，重新做一遍那个例子。为了解决类似的问题， 我把数据放到了GitHub上。 总而言之，为了给大家提供最好的工具，我尽了相当大的努力。另外，企业家马克·库班此 前的一些评论在网络上引起了非常大的反响：  “人工智能、深度学习、机器学习——如果你还不懂这些知识，那么一定要学习一下，不 管你是做什么的。否则在3年之内，你就跟恐龙差不多了。”  “我个人认为，在未来10年内，对文科专业人才的需求要超过对编程专业甚至工程专业人 才的需求。因为当所有数据都呈现在面前时，我们就面临多种选择，这就需要以不同的 视角来看待数据，以便得到各种不同的数据视图。所以需要更多思维更加开放的人才。” 这两条评论除了在博客圈内有一些交集之外，乍看上去彼此之间没有什么联系。但是仔细想 一下，我认为他触到了我觉得自己应该写这本书的痛点。我坚信机器学习在某种程度上应该造福 于大众。随着计算能力和信息可用性的不断提高，机器学习对于所有人来说都将是一种司空见惯 的事情。但从另一方面看，机器学习还有一个问题，这个问题在现在和将来都会存在，那就是对 结果的解释。如果你努力描述真阳性率和假阳性率时，对方一脸茫然，你应该怎么办？你怎样才 能通过讲故事迅速启发听众？如果你做不到，请通知我，我非常愿意与你一起分享我的故事。 必须有人带头来做这些事情，并以此影响自己所在的组织。如果一个具有历史学或音乐鉴赏 学位的人想做这些事，那就让他做吧。我每天都学习历史，它对我帮助巨大。库班的评论从多个 方面使我更加确信，本书第1章最重要。如果你还没有向商业伙伴提出这个问题： “你想做些什么 不一样的事情？”那么最好明天就去问。有太多人将太多努力花费在那些和组织及其决策完全无 关的分析上。 本书内容 下面按章节给出本书对第1版做出的修改。 第1章重新制作了流程图，更正了一个无意中的输入错误，并新增了一些方法。 第2章改进了代码，并给出了更美观的图表，此外基本与第1版一致。 第3章改善并精简了代码。增加了多元自适应回归样条模型，这是我最喜欢的技术之一，它 的效果非常好，可以处理非线性问题，而且易于解释。我将它作为基础模型，将其他模型作为“挑 战者” ，看看其他模型能否在性能上超过样条模型。 第4章不但介绍了回归模型中的特征选择技术，还包括了分类模型中的特征选择技术。 前 言 3 第5章梳理并精简了代码。 第6章增加了XGBOOST扩展包提供的流行技术，还增加了使用随机森林作为特征选择工具 的技术。 1 2 第7章更新了一些深度学习方法的信息，并改进了使用H2O软件包的代码，包括超参数搜索 技术。 第8章新增了使用随机森林进行无监督学习的方法。 3 第9章使用了新的数据集，新增了样本外预测的方法。 第10章新增了序列分析方法，我发现这种方法越来越重要，特别是在营销领域。 第11章属于全新内容，使用了若干个非常棒的软件包。 第12章添加了另外几年的气候数据，以及对几种不同因果关系测试方法的演示。 第13章增加了数据，改进了代码。 4 5 6 第14章也是新内容，帮助你在云上简单而又快速地获取R。 附录增加了新的数据处理方法。 7 准备工作 8 R是免费的开源软件，你只需从https://www.r-project.org/下载并安装即可。我强烈建议你从 https://www.rstudio.com/products/RStudio/下载IDE和RStudio，当然，这一步不是必需的。 9 目标读者 本书的目标读者是数据科学家、数据分析师等专业人员。如果你具有使用R进行机器学习的 工作经验，又想提高能力以成为机器学习领域的专家，那么本书也非常适合你。 排版约定 本书以不同文本样式区分不同种类的信息，下面列出并解释几种样式示例。 文本中的代码、数据库表名、文件夹名、文件名、文件扩展名、路径名、虚拟URL、用户输 入和Twitter用户定位都表示为：“可以在R的MASS包中找到该数据框，名为biopsy。” 10 11 12 13 4 前 言 所有命令行输入和输出都表示为： > bestglm(Xy = biopsy.cv, IC="CV", CVArgs=list(Method="HTF", K=10, REP=1), family=binomial) 新名词和重点词会以楷体表示。显示器屏幕（比如菜单或对话框）上的词在文本中表示为： “如果想下载新模块，我们可以使用Files|Settings|Project Name|Project Interpreter。” 警告或重要的注意事项。 提示或小技巧。 读者反馈 欢迎各位提出宝贵意见，请让我们知道你对本书的看法——喜欢什么或者不喜欢什么。读者 反馈对我们非常重要，因为这可以帮助我们发现对大家最有帮助的主题。 要想提供反馈，只需登录“图灵社区”本书页面（http://www.ituring.com.cn/book/1989）并 留言。 客户支持 如果您购买了我们出版的图书，我们将提供一系列服务来使您获得最大收益。 下载示例代码 你可以从“图灵社区”本书页面（http://www.ituring.com.cn/book/1989）下载书中示例代码。 文件下载结束之后，请确定使用以下软件的最新版本解压或提取文件：    Windows系统：使用WinRAR或7-Zip Mac系统：使用Zipeg、iZip或UnRarX Linux系