Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Data Science Revealed: With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning
Abschnitt 1: Parametrische MethodenKapitel 1: Einführung in die einfache lineare RegressionZiel des Kapitels: Der Leser wird in die parametrische Regression eingeführt und versteht die ihr zugrunde liegenden Annahmen. Unterthemen- Regressionsannahmen. - Erkennung fehlender Werte. - Deskriptive Analyse. - Verstehen der Korrelation. o Darstellung der Pearson-Korrelationsmatrix. - Kovarianz bestimmen. o Kovarianzmatrix darstellen. - Arrays erstellen und umgestalten. - Daten in Trainings- und Testdaten aufteilen. - Daten normalisieren. - Finden der besten Hyper-Parameter für ein Modell. - Erstellen Sie Ihr eigenes Modell. - Überprüfen der Modellleistung. o Mittlerer absoluter Fehler. o Mittlerer quadratischer Fehler. o Roter mittlerer quadratischer Fehler. o R-Quadrat. o Aufzeichnung der tatsächlichen Werte im Vergleich zu den vorhergesagten Werten. - Residualdiagnose. o Normales Q-Q-Diagramm. o Cook's D-Einflussdiagramm. o Aufzeichnung der vorhergesagten Werte im Vergleich zu den Residualwerten. o Aufzeichnung der angepassten Werte im Vergleich zu den Residualwerten. o Aufzeichnung der Leverage-Werte im Vergleich zu den Residualwerten. o Aufzeichnung der angepassten Werte im Vergleich zu den studentischen Residualwerten. o Aufzeichnung der Leverage-Werte im Vergleich zu den studentischen Residualwerten.
Kapitel 2: Fortgeschrittene parametrische MethodenKapitelziel: Hervorhebung von Methoden zum Umgang mit dem Problem der Unteranpassung und Überanpassung. Unterthemen- Problem der Multikollinearität. - Untersuchung von Methoden zum Umgang mit dem Problem der Unteranpassung und Überanpassung. - Verstehen von Ridge, RidgeCV und Lasso Regressionsmodellen. - Finden der besten Hyper-Parameter für ein Modell. - Regularisierte Modelle erstellen. - Vergleich der Leistung verschiedener Regressionsmethoden. o Mittlerer absoluter Fehler. o Mittlerer quadratischer Fehler. o Mittlerer quadratischer Wurzelfehler. o R-Quadrat. o Darstellung der tatsächlichen Werte im Vergleich zu den vorhergesagten Werten.
Kapitel 3: ZeitreihenanalyseZiel des Kapitels: Erläutert wird ein Modell zur Ermittlung von Trends und Mustern in sequentiellen Daten und zur Vorhersage einer Reihe. - Was ist Zeitreihenanalyse? - Grundlegende Annahmen der Zeitreihenanalyse. - Verschiedene Arten von Zeitreihenanalysemodellen. - Das ARIMA-Modell. - Test auf Stationarität. o Durchführung eines ADF-Fuller-Tests. - Test auf weißes Rauschen. - Test auf Korrelation. o Darstellung von Lag-Plot. o Darstellung von Lag vs. Autokorrelation. o Darstellung von ACF. o Darstellung von PACF. - Verstehen von Trends, Saisonalität und Tendenzen. o Darstellung von saisonalen Komponenten. - Eine Zeitreihe mit Hilfe von gleitendem Durchschnitt, Standardabweichung und Exponentialtechniken glätten. o Geglättete Zeitreihen aufzeichnen. - Bestimmung der Rendite und der rollierenden Rendite. - Bestimmen der Parameter des ARIMA-Modells. - Erstellen eines ARIMA-Modells. - ARIMA-Prognose. o Zeichnen Sie die Prognose auf. - Residuale Diagnose.
Kapitel 4: Hochwertige ZeitreihenKapitelziel: Erkundung von Prophet für bessere Zeitreihenvorhersagen. - Unterschied zwischen Statsmodel und Prophet. - Verstehen der Komponenten in Prophet. - Vorverarbeitung von Daten. - Entwickeln Sie ein Modell mit Prophet. - Vorhersage einer Reihe. o Plotten der Vorhersage. o Plotten der saisonalen Komponenten. - Evaluierung der Modellleistung mit Prophet. Kapitel 4: Logistische RegressionZiel des Kapitels: Einführung in die logistische Regression - ein leistungsstarkes Klassifikationsmodell. Unterthemen- Fehlende Werte finden.
| ISBN: | 9781484268698 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 252 |
Derzeit verfügbar, auf Lager.
