دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 2013
نویسندگان: Max Kuhn. Kjell Johnson
سری:
ISBN (شابک) : 1461468485, 9781461468486
ناشر: Springer
سال نشر: 2013
تعداد صفحات: 574
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 مگابایت
در صورت تبدیل فایل کتاب Applied Predictive Modeling به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب مدل سازی پیش بینی شده کاربردی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این متن برای مخاطبان گسترده ای به عنوان مقدمه ای بر مدل های پیش بینی و همچنین راهنمای به کارگیری آنها در نظر گرفته شده است. خوانندگان غیر ریاضی از توضیحات شهودی تکنیک ها قدردانی خواهند کرد، در حالی که تأکید بر حل مسئله با داده های واقعی در طیف گسترده ای از برنامه ها به متخصصانی که مایل به گسترش تخصص خود هستند کمک می کند. خوانندگان باید از ایده های آماری اساسی مانند همبستگی و تحلیل رگرسیون خطی آگاهی داشته باشند. در حالی که متن در برابر معادلات پیچیده تعصب دارد، برای موضوعات پیشرفته به یک پس زمینه ریاضی نیاز است. دکتر کوهن مدیر آمار غیر بالینی در Pfizer Global R&D در گروتن کانکتیکات است. او بیش از 15 سال است که از مدل های پیش بینی در صنایع دارویی و تشخیصی استفاده می کند و نویسنده تعدادی بسته R است. دکتر جانسون بیش از یک دهه تجربه مشاوره آماری و مدل سازی پیش بینی در تحقیق و توسعه دارویی دارد. او یکی از بنیانگذاران Arbor Analytics است، یک شرکت متخصص در مدلسازی پیشبینیکننده و مدیر سابق آمار در Pfizer Global R&D. کارهای علمی او بر کاربرد و توسعه روششناسی آماری و الگوریتمهای یادگیری متمرکز است.
This text is intended for a broad audience as both an introduction to predictive models as well as a guide to applying them. Non-mathematical readers will appreciate the intuitive explanations of the techniques while an emphasis on problem-solving with real data across a wide variety of applications will aid practitioners who wish to extend their expertise. Readers should have knowledge of basic statistical ideas, such as correlation and linear regression analysis. While the text is biased against complex equations, a mathematical background is needed for advanced topics. Dr. Kuhn is a Director of Non-Clinical Statistics at Pfizer Global R&D in Groton Connecticut. He has been applying predictive models in the pharmaceutical and diagnostic industries for over 15 years and is the author of a number of R packages. Dr. Johnson has more than a decade of statistical consulting and predictive modeling experience in pharmaceutical research and development. He is a co-founder of Arbor Analytics, a firm specializing in predictive modeling and is a former Director of Statistics at Pfizer Global R&D. His scholarly work centers on the application and development of statistical methodology and learning algorithms.
Front Matter....Pages i-xiii
Introduction....Pages 1-16
Front Matter....Pages 17-17
A Short Tour of the Predictive Modeling Process....Pages 19-26
Data Pre-processing....Pages 27-59
Over-Fitting and Model Tuning....Pages 61-92
Front Matter....Pages 93-93
Measuring Performance in Regression Models....Pages 95-100
Linear Regression and Its Cousins....Pages 101-139
Nonlinear Regression Models....Pages 141-171
Regression Trees and Rule-Based Models....Pages 173-220
A Summary of Solubility Models....Pages 221-223
Case Study: Compressive Strength of Concrete Mixtures....Pages 225-243
Front Matter....Pages 245-245
Measuring Performance in Classification Models....Pages 247-273
Discriminant Analysis and Other Linear Classification Models....Pages 275-328
Nonlinear Classification Models....Pages 329-367
Classification Trees and Rule-Based Models....Pages 369-413
A Summary of Grant Application Models....Pages 415-418
Remedies for Severe Class Imbalance....Pages 419-443
Case Study: Job Scheduling....Pages 445-460
Front Matter....Pages 461-461
Measuring Predictor Importance....Pages 463-485
An Introduction to Feature Selection....Pages 487-519
Factors That Can Affect Model Performance....Pages 521-546
Back Matter....Pages 547-600