Bewertung:

Das Buch wird wegen seines umfassenden und praktischen Ansatzes für das Feature-Engineering hoch geschätzt, was es zu einer wertvollen Ressource sowohl für Anfänger als auch für erfahrene Datenwissenschaftler macht. Allerdings leidet es in der Druckversion unter Layout-Problemen, insbesondere bei der Platzierung von Grafiken, und es fehlt eine umfassende Abdeckung von Methoden zur Merkmalsauswahl. Außerdem stellen einige Leser fest, dass die Kindle-Version nur begrenzte Unterstützung bietet.
Vorteile:⬤ Umfangreicher und praktischer Inhalt zum Thema Feature Engineering.
⬤ Sowohl für Anfänger als auch für fortgeschrittene Benutzer geeignet.
⬤ Gut strukturiert mit klaren Beispielen und Diskussionen.
⬤ Bietet tiefe Einblicke und neue Techniken.
⬤ Gute Druckqualität und visuell ansprechendes Design.
⬤ Schlechtes Layout und schlechte Platzierung der Grafiken in der Druckversion, was den Lesefluss stört.
⬤ Fehlende umfassende Behandlung der Merkmalsauswahl.
⬤ Begrenzte Unterstützung in der Kindle-Version für Anpassungen.
⬤ Alle Diagramme sind schwarz-weiß, was es schwierig macht, referenzierte Kurven zu erkennen.
⬤ Einige Benutzer erhielten fehlerhafte Exemplare mit fehlenden Seiten.
(basierend auf 12 Leserbewertungen)
Feature Engineering and Selection: A Practical Approach for Predictive Models
Der Prozess der Entwicklung von Vorhersagemodellen umfasst viele Stufen.
Die meisten Ressourcen konzentrieren sich auf die Modellierungsalgorithmen, vernachlässigen aber andere wichtige Aspekte des Modellierungsprozesses. In diesem Buch werden Techniken beschrieben, mit denen sich die besten Darstellungen von Prädiktoren für die Modellierung und die beste Untergruppe von Prädiktoren zur Verbesserung der Modellleistung finden lassen.
Eine Vielzahl von Beispieldatensätzen wird zur Veranschaulichung der Techniken zusammen mit R-Programmen zur Reproduktion der Ergebnisse verwendet.