Четверг, 28.03.2024, 15:56

Электронная библиотека системного администратора

Приветствую Вас Гость | RSS
Главная Учебники Регистрация Вход
Реклама


Рубрики

Книги и учебники
Microsoft [186]
Linux, Unix, FreeBSD, Solaris [151]
Oracle [36]
Cisco [41]
IBM [22]
1C [46]
SAS [10]
СУБД и базы данных [57]
Web технологии [131]
Компьютерные сети [125]
Компьютеры, hardware [104]
Защита информации [140]
Программирование [197]
Тестирование ПО [23]
DevOps [21]
Начинающим админам [209]
Общие вопросы по IT [76]
Справочники [202]

Программы
Администрирование [58]
Архиваторы [8]
Безопасность [17]
Полезный софт [32]
Программы для hardware [17]
Работа с DJVU, PDF, FB2 [10]
Сетевые сервисы [17]
Сетевые утилиты [79]

Статистика
Онлайн всего: 1
Гостей: 1
Пользователей: 0


Главная » Учебники » IBM

Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайный лес.
Книга Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайный лес. Скачать бесплатно. Автор - Артем Груздев.

Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайный лес.

Автор - Артем Груздев

В книге Артема Груздева "Прогнозное моделирование в IBM SPSS Statistics, R и Python: Метод деревьев решений и случайный лес" рассказывается том, как строить модели дерева решений или модели случайного леса, интерпретировать результаты, оценивать качество полученных моделей, улучшать его, сохранять результаты и применять правила классификации/прогноза, полученные с помощью дерева или случайного леса, к новым данным. Также рассказывается о том, как с помощью дерева решений и случайного леса улучшить модель логистической регрессии. Отдельно рассматривается вопрос автоматизированного поиска оптимальных параметров случайного леса.

Глава 1 кратко знакомит с терминологией метода деревьев решении, в ней рассказывается о преимуществах и недостатках деревьев, задачах, которые можно выполнить с их помощью. Главы 2-6 посвящены построению деревьев решений и случайного леса в IВМ SPSS Statistics 24.0. В главе 2 освещается CHAID - один из самых популярных методов деревьев решений. В главе 3 рассказывается, как можно менять параметры дерева CHAID, влияя на результаты классификации. Здесь же рассказывается о том, как можно выполнить биннинг переменных для включения в модель логистической регрессии, использовав дерево CHAID и случайный лес. Для иллюстрации выбрана конкурсная задача предсказания отклика ОТП Банка. Кроме того, на данном примере показывается, как выполняется предварительная подготовка данных и решаются вопросы, связанные с автоматизацией построения моделей (для этого будет использован командный синтаксис SPSS). Код, автоматизирующий процесс построения прогнозных моделей, вы можете в дальнейшем использовать в собственных проектах. В этой же главе будет рассмотрена разработка ансамбля модели логистической регрессии и дерева CHAID. Глава 4 посвящена методам деревьев CRT и QUEST. В главе 5 рассказывается о редакторе дерева. Глава 6 посвящена методу случайного леса. В ней рассказывается о методологической основе случайного леса, приводятся примеры использования случайного леса для хранения задач классификации и регрессии. Главы 7-11 посвящены построению деревьев решений и случайного леса в R. В главе 7 подробно рассматривается процесс построения и интерпретации дерева решений CHAID в пакете CHAID. В главе 8 применяется пакет rpart, чтобы построить и проанализировать дерево решений CRT. В главе 9 рассказывается, как можно построить модель случайного леса, интерпретировать ее и применить к новым данным, используя пакет randomForest. В ней же будет рассказано как осуществлять оптимизацию параметров случайного леса с помощью пакета caret. Глава 10 посвящена пакету ranger быстрой реализации случайного леса в R, позволяющей работать с большими и высокоразмерными наборами данных. Кроме того, в этом пакете реализована возможность использовать случайный лес не только для решения задач регрессии и классификации, но и для анализа выживаемости. В главе 11 рассказывается о пакете h2o, который позволяет использовать в среде R возможности платформы h2o, разработанной для работы с большими данными. Речь пойдет об алгоритме случайного леса, использующего распределенные вычисления и новейшие эвристики, позволяющие в ряде случаев получить лучшее качество модели. В главе 12 речь пойдет об использовании классов DecisionTreeClassifier, Decision-TreeRegressor, Rando:nForestClassifier и RandonForestRegressor, реализованных в питотоновской библиотеке scikit-learn и предназначенных для построения дерева классификации, дерева регрессии, ансамбля деревьев классификации и ансамбля деревьев регрессии соответственно. В этой же главе будет рассмотрена работа с антоновским модулем h2o и построение распределенного случайного леса с помощью класса H2ORandoTiForestEstisator.

Издание будет интересно маркетологам, риск-аналитикам и другим специалистам, занимающимся разработкой и внедрением прогнозных моделей.

Издательство – ДМК Пресс

Год издания – 2018

Формат книги - PDF

Размер - 59 Мб

"Книга Прогнозное моделирование в IBM SPSS Statistics, R и Python. Метод деревьев решений и случайный лес. Артем Груздев - скачать"

Категория: IBM | Добавил: strelsov (29.04.2021)
Просмотров: 746 | Теги: IBM SPSS Statistics, Метод деревьев решений, Прогнозное моделирование в IBM SPSS, случайный лес, Артем Груздев, моделирование в Python, моделирование в R | Рейтинг: 0.0/0
Всего комментариев: 0
Добавлять комментарии могут только зарегистрированные пользователи.
[ Регистрация | Вход ]
Форма входа

Поиск по сайту

Облако тегов
Справочник администратора Уильям Р. Станек cmd Microsoft shell php Windows lan ЛВС vpn SQL СУБД СУБД MySQL Windows PowerShell Java DNS DHCP telnet разработка Web-приложений MySql БД Компьютерные сети Linux Perl информационная безопасность СУБД Oracle ftp xml Интернет BIOS

...

Copyright IT-Ebooks.Ru © 2024