Olvasói vélemények
Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.
Eredeti címe:
Data Science Revealed: With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning
Könyv tartalma:
1. szakasz: Parametrikus módszerek1. fejezet: Bevezetés az egyszerű lineáris regresszióbaCélkitűzés: Bevezeti az olvasót a parametrikus és a regresszió alapfeltevéseinek megértésébe. Altémák- Regressziós feltevések. - Hiányzó értékek felismerése. - Leíró elemzés. - A korreláció megértése. o Pearson korrelációs mátrix felrajzolása. - Kovariancia meghatározása. o Kovariancia mátrix ábrázolása. - Tömbök létrehozása és átformálása. - Az adatok felosztása gyakorló és tesztadatokra. - Az adatok normalizálása. - A modell legjobb hiperparamétereinek megtalálása. - Saját modell építése. - A modell teljesítményének áttekintése. o Abszolút hiba átlaga. o Hiba négyzetének átlaga. o Hiba négyzetének gyökere. o R-négyzet. o Tényleges értékek ábrázolása az előre jelzett értékekhez képest. - Maradványdiagnózis. o Normál Q-Q diagram. o Cook's D befolyásoló diagram. o Előrejelzett értékek vs. maradékértékek ábrázolása. o Beillesztett értékek vs. maradékértékek ábrázolása. o Huzamértékek vs. maradékértékek ábrázolása. o Beillesztett értékek vs. Studentizált maradékértékek ábrázolása. o Huzamértékek vs. Studentizált maradékértékek ábrázolása. o Huzamértékek vs. Studentizált maradékértékek ábrázolása.
2. fejezet: Fejlett parametrikus módszerekKözéppontban a túl- és alulillesztés problémájának kezelésére szolgáló módszerek. Altémák - A multikollinearitás problémája. - Az alul- és túlillesztés problémájának kezelésére szolgáló módszerek feltárása. - A Ridge, RidgeCV és Lasso regressziós modellek megértése. - A modell legjobb hiperparamétereinek megtalálása. - Rendszerezett modellek építése. - A különböző regressziós módszerek teljesítményének összehasonlítása. o Abszolút hiba átlaga. o Hiba négyzetének átlaga. o Hiba négyzetének gyökere. o R-négyzet. o Tényleges értékek ábrázolása az előre jelzett értékekkel szemben.
3. fejezet: IdősorelemzésA fejezet célja: A sorozatos adatokban a trendek és minták azonosítására szolgáló modellt és a sorozatok előrejelzését ismerteti. - Mi az idősorelemzés? - Az idősorelemzés alapfeltevései. - Az idősorelemzési modellek különböző típusai. - Az ARIMA-modell. - A stacionaritás tesztje. o ADF Fuller teszt elvégzése. - A fehér zaj tesztje. - A korreláció tesztje. o Lag-ábrázolás. o Lag vs. autokorreláció ábrázolása. o ACF ábrázolása. o PACF ábrázolása. - A trendek, a szezonalitás és a trendek megértése. o Szezonális komponensek ábrázolása. - Idősorok simítása mozgóátlag, standard eltérés és exponenciális technikák alkalmazásával. o Simított idősorok ábrázolása. o Simított idősorok ábrázolása. - A megtérülési ráta és a gördülő megtérülési ráta meghatározása. - Az ARIMA-modell paramétereinek meghatározása. - ARIMA-modell építése. - ARIMA-előrejelzés. o Előrejelzés ábrázolása. - Maradékdiagnózis.
4. fejezet: Kiváló minőségű idősorokA fejezet célja: A jobb sorozat-előrejelzéshez szükséges próféták feltárása. - Különbség a statsmodel és a Prophet között. - A Prophet összetevőinek megértése. - Az adatok előfeldolgozása. - Modell kidolgozása a Prophet segítségével. - Egy sorozat előrejelzése. o Előrejelzettek ábrázolása. o Szezonális komponensek ábrázolása. - A modell teljesítményének értékelése a Prophet segítségével. 4. fejezet: Logisztikus regresszióA fejezet célja: Bevezeti az olvasót a logisztikus regresszióba - egy hatékony osztályozási modellbe. Altémák- Hiányzó értékek keresése.
