机器学习提升法 理论与算法

作者简介

约夫·弗雷德（Yoav Freund）,纽约微软主任研究员。 罗伯特·夏皮雷（Robert. E. Schapire）,加利福尼亚大学圣迭戈分校计算机科学与工程系教授。 他们因为在提升法方面的研究工作，获得了2003 年的哥德尔奖和2004 年的ACM Kanellakis 理论与实践奖。

内容简介

1.本书是提升法的创始人、哥德尔奖得主的代表作； 2.将提升法背后的各种理论举重若轻、抽丝剥茧、深入浅出地详加介绍； 3.充分考虑入门读者的需求，对所有材料都进行了适当的裁剪，每章后附有练习题； 4.书中有大量的应用实例和插图； 5.提供书中彩图文件。 提升法（boosting）是一种机器学习方法，其思想是通过组合许多较弱的、不准确的“经验法则”来创建一个高度精确的预测器。围绕提升法已发展出非常丰富的理论，涉及一系列的主题，包括统计学、博弈论、凸优化以及信息几何学。提升法也在生物学、计算机视觉和语音处理等领域获得了成功应用。 本书由提升法的提出者、罗伯特·夏皮雷（Robert. E. Schapire）和约夫·弗雷德（Yoav Freund）亲自执笔，汇集、组织、简化并实质性扩充了关于提升法的研究成果，以不同背景的读者都可以轻松阅读并理解的方式来呈现提升法的理论及其实践，同时也为高级研究人员提供了权威参考。本书充分考虑入门读者的需求，对所有的材料都进行了适当的裁剪，并在每章后都附有练习，因而适合作为相关教材使用。 本书首先对机器学习算法及其分析方法作了概要性介绍；然后探讨了提升法的核心理论，特别是它的泛化能力；考察了有助于理解和解释提升法的许多理论观点；提供了提升法的实用扩展以解决更复杂的学习问题；最后提出了一些高级理论。大量的应用实例和插图贯穿其中。 本书适合任何对机器学习算法、提升法感兴趣的读者，也适合作为高等院校相关课程的教材。 专家评论 这本书是优秀的精神“担架”，值得好好阅读以及多次重读，即使是非专业人士。 ——ACM 的Computing Reviews 一言以蔽之，这是我读过的关于机器学习的最好的书之一…… ——Bactra 评论 对于那些希望在机器学习领域工作的人来说，本书提供了清晰而有见地的观点，在机 器学习的经典著作和研究人员的书架上都应该占有一席之地。 ——Giles Hooker 美国统计协会 Robert Schapire 和Yoav Freund 提出的提升法在机器学习和统计学习方面产生 了巨大的影响，它经受住了时间的考验。关于为什么提升法如此有效，人们进行了热烈的讨论，现在还没有定论。这本来自“大师”的书，其各方面的内容十分均衡，涵盖了提升法的各个研究视角，能够帮助读者快速地享受该领域丰富研究成果。 ——Trevor Hastie 斯坦福大学统计系 提升法提供了一个思考和设计机器学习算法的平台，已有20 多年的历史。提升法背后简单而优雅的思想就像是神奇的魔镜，研究人员可以从多个不同的角度来看待它。这本书将这些观点完美地结合在一起，是机器学习研究的重要参考资料。 ——John Lafferty 芝加哥大学和卡内基梅隆大学