Olvasói vélemények
Összegzés:A könyv nagyra értékelt tartalma a rendezett R-ben történő modellezésről szól, értékes betekintést és gyakorlati tanácsokat nyújt a tapasztalt szerzőktől. Hiányzik azonban belőle a színes nyomtatás, amit néhány olvasó hátránynak talált, és a csomagnevek kihagyása miatt a függvényhívásoknál kihívást jelenthet a követése.
Előnyök:Értékes tartalom, amely erősíti az R programozási ismereteket, gyakorlati betekintés a modellezésbe, kezdőknek és tapasztalt szakembereknek egyaránt ajánlott, könnyen érthető nyelvezet, a modellezés fontos buktatóival foglalkozik.
Hátrányok:Hiányzik a színes nyomtatás, ami ront a bemutatáson; a csomagnevek elhagyása a függvényhívásokban megnehezíti a hibakeresést.
(6 olvasói vélemény alapján)
Eredeti címe:
Tidy Modeling with R: A Framework for Modeling in the Tidyverse
Könyv tartalma:
Kezdjen bele a tidymodels, a modellezéshez és gépi tanuláshoz szükséges R-csomagok gyűjteménye segítségével. Akár most kezdte, akár már többéves tapasztalattal rendelkezik a modellezés terén, ez a gyakorlati bevezető megmutatja az adatelemzőknek, üzleti elemzőknek és adattudósoknak, hogy a tidymodels keretrendszer hogyan kínál következetes, rugalmas megközelítést a munkájához.
Max Kuhn és Julia Silge, az RStudio mérnökei a tidyverse nevű R-dialektusra összpontosítva mutatják be a modellek létrehozásának módjait. A tidyverse alapelveit alkalmazó szoftverek mind a magas szintű tervezési filozófiát, mind az alacsony szintű nyelvtant és adatstruktúrákat megosztják, így az ökoszisztéma egyik darabjának elsajátítása megkönnyíti a következő darabok elsajátítását. Meg fogja érteni, hogy a tidymodels keretrendszert miért úgy építették fel, hogy az emberek széles köre használhassa.
Ezzel a könyvvel:
⬤ Megtanulja a modell felépítéséhez szükséges lépéseket az elejétől a végéig.
⬤ Megtanulja, hogyan használhatja gördülékenyen a különböző modellezési és feature engineering megközelítéseket.
⬤ vizsgálja a modellezés gyakori buktatóinak, például a túlillesztésnek az elkerülésére szolgáló lehetőségeket.
⬤ Tanuljon gyakorlati módszereket az adatok modellezésre való előkészítésére.
⬤ Hangolja a modelleket az optimális teljesítmény érdekében.
⬤ Használja a helyes statisztikai gyakorlatokat a modellek összehasonlításához, értékeléséhez és kiválasztásához.
