更新时间：2021-04-02 14:21:58
封面
版权信息
前言
第1章 Python安装方法
1.1 Python介绍
1.1.1 Python的由来
1.1.2 Python的特点
1.2 Anaconda安装
1.3 PyCharm安装及环境配置
1.3.1 PyCharm安装
1.3.2 PyCharm环境配置
1.4 为什么建议使用Python
1.5 本章小结
第2章 认识广告数据分析
2.1 广告数据概述
2.1.1 广告数据的特点
2.1.2 广告数据分析的意义
2.2 广告数据分布
2.2.1 伯努利分布
2.2.2 均匀分布
2.2.3 二项分布
2.2.4 正态分布
2.2.5 泊松分布
2.2.6 指数分布
2.3 异常值诊断
2.3.1 三倍标准差法
2.3.2 箱形图分析法
2.4 数据相关性
2.4.1 Pearson相关系数
2.4.2 Spearman秩相关系数
2.5 显著性检验
2.6 本章小结
第3章 Python广告数据分析常用工具包
3.1 数据基础运算工具：NumPy
3.1.1 常见数据结构
3.1.2 索引与切片
3.1.3 数组运算
3.1.4 矩阵运算
3.1.5 广播
3.1.6 其他常用操作
3.2 数据预处理工具：Pandas
3.2.1 数据结构概述
3.2.2 数据加载
3.2.3 数据拼接
3.2.4 数据聚合
3.2.5 数据透视表和交叉表
3.2.6 广告缺失值处理
3.3 数据可视化分析工具：Matplotlib
3.3.1 散点图
3.3.2 条形图
3.3.3 折线图
3.3.4 饼图
3.3.5 直方图
3.3.6 箱形图
3.3.7 组合图
3.4 本章小结
第4章 模型常用评价指标
4.1 回归模型常用评价指标
4.1.1 R2
4.1.2 调整后的R2
4.2 分类模型常用评价指标
4.2.1 混淆矩阵
4.2.2 ROC曲线
4.2.3 AUC
4.2.4 KS指标
4.2.5 提升度
4.3 本章小结
第5章 利用Python建立广告分类模型
5.1 逻辑回归
5.1.1 逻辑回归原理
5.1.2 损失函数
5.1.3 利用Python建立逻辑回归
5.2 决策树
5.2.1 决策树概述
5.2.2 决策树算法
5.2.3 决策树剪枝处理
5.2.4 决策树的实现
5.3 KNN
5.3.1 距离度量
5.3.2 KNN算法原理
5.3.3 KNN算法中K值的选取
5.3.4 KNN中的一些注意事项
5.3.5 KNN分类算法实现
5.4 SVM
5.4.1 最大间隔超平面
5.4.2 支持向量
5.4.3 目标函数
5.4.4 软间隔最大化
5.4.5 核函数
5.4.6 SVM算法的应用
5.5 神经网络
5.5.1 结构特点
5.5.2 训练过程
5.5.3 激活函数
5.5.4 损失函数
5.5.5 神经网络的实现
5.6 本章小结
第6章 利用Python建立广告集成模型
6.1 随机森林
6.1.1 随机森林的Bagging思想
