Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji

-20%

Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji

1 opinia

Format:

ibuk

WYBIERZ RODZAJ DOSTĘPU

 

Dostęp online przez myIBUK

WYBIERZ DŁUGOŚĆ DOSTĘPU

6,15

Wypożycz na 24h i opłać sms-em.
Brak wydruku.

17,9622,45

cena zawiera podatek VAT

ZAPŁAĆ SMS-EM ZAPŁAĆ SMS-EM

TA KSIĄŻKA JEST W ABONAMENCIE

Już od 19,90 zł miesięcznie za 5 ebooków!

WYBIERZ SWÓJ ABONAMENT

W systemach społecznych kolektywne podejmowanie decyzji jest czymś naturalnym. Na przykład w sprawach dotyczących działalności jednostek gospodarczych (przedsiębiorstwa), czy administracyjnych (miasta), decyzje podejmuje zarząd, a więc zespół osób składający się ze specjalistów z różnych dziedzin (finansów, marketingu, zarządzania, produkcji, sprzedaży, itd.). Odbywa się to zazwyczaj albo na zasadzie konsensusu, albo większością głosów w drodze głosowania. W taki sposób można także rozwiązywać problemy szeroko rozumianej statystyki wielowymiarowej, a zwłaszcza analizy dyskryminacyjnej i analizy regresji.


Publikacja przybliży Czytelnikowi podstawowe zagadnienia związane z łączeniem modeli dyskryminacyjnych i regresyjnych. Ilustrowana jest wieloma przykładami, w których wykorzystano powszechnie uznane i ogólnodostępne zbiory danych. Przykłady te pozwalają lepiej zrozumieć charakter rozważanych zagadnień, a ponadto dowodzą praktycznej przydatności omawianych metod.


Na końcu książki znajduje się bardzo obszerna bibliografia przedmiotu, obejmująca przeszło 300 najważniejszych pozycji z literatury światowej, wydanych do połowy 2007 roku.


Rozważania zamieszczone w książce zainteresują badaczy różnych specjalności, a przede wszystkim statystyków i informatyków zajmujących się komputerowymi modelami statystyki wielowymiarowej oraz implementacjami w dziedzinie eksploracji danych (Data Mining). Również studenci starszych lat specjalizujący się w statystyce i ekonometrii oraz praktycy wykorzystujący metody dyskryminacji i regresji powinni znaleźć tu interesujące dla siebie zagadnienia.


Liczba stron200
WydawcaWydawnictwo Naukowe PWN
ISBN-13978-83-01-15366-3
Numer wydania1
Język publikacjipolski
Informacja o sprzedawcyePWN sp. z o.o.

INNE EBOOKI AUTORA

EBOOKI WYDAWCY

POLECAMY

Ciekawe propozycje

Spis treści

  Wstęp VII
  Wykaz symboli XI
  
  1. Podstawowe zagadnienia analizy dyskryminacyjnej i analizy regresji    1
    1.1. Pojęcia wstępne    1
    1.2. Dyskryminacja i regresja    3
    1.3. Błąd predykcji i jego dekompozycja    9
    1.4. Zbiory danych wykorzystywane w książce    15
  
  2. Wybrane klasy modeli dyskryminacyjnych i regresyjnych    21
    2.1. Modele liniowe    21
    2.2. Metoda najbliższych sąsiadów    30
    2.3. Drzewa klasyfikacyjne i regresyjne    37
    2.4. Sieci neuronowe    46
    2.5. Metoda wektorów nośnych (SVM)    54
  
  3. Podejście wielomodelowe    62
    3.1. Agregacja modeli    62
    3.2. Architektura modeli zagregowanych    67
    3.3. Dekompozycja błędu predykcji modelu zagregowanego    70
    3.4. Ustalanie optymalnej liczby modeli bazowych    78
  
  4. Zróżnicowanie modeli bazowych i jego pomiar    83
    4.1. Znaczenie zróżnicowania modeli bazowych    83
    4.2. Miary zróżnicowania pary modeli bazowych    88
    4.3. Miary zróżnicowania wszystkich modeli bazowych    96
    4.4. Sposoby zapewnienia zróżnicowania modeli bazowych    101
    4.5. Wykorzystanie metod taksonomicznych    106
  
  5. Metody łączenia wyników predykcji modeli bazowych    112
    5.1. Rodzaje predykcji modeli bazowych    112
    5.2. Pojedyncza klasa    114
    5.3. Uporządkowany zbiór klas    121
    5.4. Wektor prawdopodobieństw a posteriori    125
    5.5. Analiza porównawcza metod łączenia modeli    132
  
  6. Wybrane metody budowy modeli zagregowanych    138
    6.1. Bagging i inne metody losowego doboru obserwacji do prób uczących    138
      Windowing    138
      Stacking    139
      Bagging    140
      Wagging    141
      Ivotes    142
      Bundling    143
    6.2. Metoda boosting i jej odmiany    145
      Arcing    150
      AdaBoost.R    151
      Gradient boosting    152
    6.3. Metody doboru zmiennych objaśniających    155
      Random Subspace Method    155
      Losowy dobór zmiennych do drzew klasyfikacyjnych i regresyjnych    157
      Random Forests    158
      Input Decimation    160
      CFSH    161
    6.4. Metody oparte na modyfikacjach zmiennej zależnej    164
      Twicing    164
      Error-Correcting Output Coding    164
      Adaptive bagging    168
  
  Bibliografia    170
  Indeks    184
RozwińZwiń
W celu zapewnienia wysokiej jakości świadczonych przez nas usług, nasz portal internetowy wykorzystuje informacje przechowywane w przeglądarce internetowej w formie tzw. „cookies”. Poruszając się po naszej stronie internetowej wyrażasz zgodę na wykorzystywanie przez nas „cookies”. Informacje o przechowywaniu „cookies”, warunkach ich przechowywania i uzyskiwania dostępu do nich znajdują się w Regulaminie.

Nie pokazuj więcej tego powiadomienia