Praktische Statistik für Data Scientists. Peter Bruce

Чтение книги онлайн.

СКАЧАТЬ Logit-Funktion

       Logistische Regression und verallgemeinerte lineare Modelle

       Verallgemeinerte lineare Modelle

       Vorhergesagte Werte aus der logistischen Regression

       Interpretation der Koeffizienten und Odds-Ratios

       Lineare und logistische Regression: Gemeinsamkeiten und Unterschiede

       Das Modell prüfen und bewerten

       Weiterführende Literatur

       Klassifikationsmodelle bewerten

       Konfusionsmatrix

       Die Problematik seltener Kategorien

       Relevanz, Sensitivität und Spezifität

       ROC-Kurve

       Fläche unter der ROC-Kurve (AUC)

       Lift

       Weiterführende Literatur

       Strategien bei unausgewogenen Daten

       Undersampling

       Oversampling und Up/Down Weighting

       Generierung von Daten

       Kostenbasierte Klassifikation

       Die Vorhersagen untersuchen

       Weiterführende Literatur

       Zusammenfassung

       6Statistisches maschinelles Lernen

       K-Nächste-Nachbarn

       Ein kleines Beispiel: Vorhersage von Kreditausfällen

       Distanzmaße

       1-aus-n-Codierung

       Standardisierung (Normierung, z-Werte)

       K festlegen

       KNN zur Merkmalskonstruktion

       Baummodelle

       Ein einfaches Beispiel

       Der Recursive-Partitioning-Algorithmus

       Homogenität und Unreinheit messen

       Den Baum daran hindern, weiterzuwachsen

       Vorhersage eines kontinuierlichen Werts

       Wie Bäume verwendet werden

       Weiterführende Literatur

       Bagging und Random Forests

       Bagging

       Random Forest

       Variablenwichtigkeit

       Hyperparameter

       Boosting

       Der Boosting-Algorithmus

       XGBoost

       Regularisierung: Überanpassung vermeiden

       Hyperparameter und Kreuzvalidierung

       Zusammenfassung

       СКАЧАТЬ