ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Feature Engineering and Selection: A Practical Approach for Predictive Models (Chapman & Hall/CRC Data Science Series)

دانلود کتاب مهندسی ویژگی و انتخاب: رویکردی عملی برای مدل‌های پیش‌بینی‌کننده (سری‌های علوم داده چپمن و هال/CRC)

Feature Engineering and Selection: A Practical Approach for Predictive Models (Chapman & Hall/CRC Data Science Series)

مشخصات کتاب

Feature Engineering and Selection: A Practical Approach for Predictive Models (Chapman & Hall/CRC Data Science Series)

ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1138079227, 9781138079229 
ناشر: Chapman and Hall/CRC 
سال نشر: 2019 
تعداد صفحات: 308 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 46 مگابایت 

قیمت کتاب (تومان) : 47,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 15


در صورت تبدیل فایل کتاب Feature Engineering and Selection: A Practical Approach for Predictive Models (Chapman & Hall/CRC Data Science Series) 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 مهندسی ویژگی و انتخاب: رویکردی عملی برای مدل‌های پیش‌بینی‌کننده (سری‌های علوم داده چپمن و هال/CRC) 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.


توضیحاتی در مورد کتاب مهندسی ویژگی و انتخاب: رویکردی عملی برای مدل‌های پیش‌بینی‌کننده (سری‌های علوم داده چپمن و هال/CRC)



فرایند توسعه مدل های پیش بینی شامل مراحل بسیاری است. بیشتر منابع بر روی الگوریتم‌های مدل‌سازی تمرکز می‌کنند اما سایر جنبه‌های حیاتی فرآیند مدل‌سازی را نادیده می‌گیرند. این کتاب تکنیک‌هایی را برای یافتن بهترین نمایش‌های پیش‌بینی‌کننده برای مدل‌سازی و یافتن بهترین زیرمجموعه پیش‌بینی‌کننده‌ها برای بهبود عملکرد مدل توضیح می‌دهد. مجموعه‌های داده‌های نمونه مختلفی برای نشان دادن تکنیک‌ها به همراه برنامه‌های R برای بازتولید نتایج استفاده می‌شوند.


توضیحاتی درمورد کتاب به خارجی

The process of developing predictive models includes many stages. Most resources focus on the modeling algorithms but neglect other critical aspects of the modeling process. This book describes techniques for finding the best representations of predictors for modeling and for nding the best subset of predictors for improving model performance. A variety of example data sets are used to illustrate the techniques along with R programs for reproducing the results.



فهرست مطالب

Cover
Half Title
Title Page
Copyright Page
Dedication
Table of Contents
Preface
Author Bios
1: Introduction
	1.1 A Simple Example
	1.2 Important Concepts
	1.3 A More Complex Example
	1.4 Feature Selection
	1.5 An Outline of the Book
	1.6 Computing
2: Illustrative Example: Predicting Risk of Ischemic Stroke
	2.1 Splitting
	2.2 Preprocessing
	2.3 Exploration
	2.4 Predictive Modeling across Sets
	2.5 Other Considerations
	2.6 Computing
3: A Review of the Predictive Modeling Process
	3.1 Illustrative Example: OkCupid Profile Data
	3.2 Measuring Performance
	3.3 Data Splitting
	3.4 Resampling
	3.5 Tuning Parameters and Overfitting
	3.6 Model Optimization and Tuning
	3.7 Comparing Models Using the Training Set
	3.8 Feature Engineering without Overfitting
	3.9 Summary
	3.10 Computing
4: Exploratory Visualizations
	4.1 Introduction to the Chicago Train Ridership Data
	4.2 Visualizations for Numeric Data: Exploring Train Ridership Data
	4.3 Visualizations for Categorical Data: Exploring the OkCupid Data
	4.4 Postmodeling Exploratory Visualizations
	4.5 Summary
	4.6 Computing
5: Encoding Categorical Predictors
	5.1 Creating Dummy Variables for Unordered Categories
	5.2 Encoding Predictors with Many Categories
	5.3 Approaches for Novel Categories
	5.4 Supervised Encoding Methods
	5.5 Encodings for Ordered Data
	5.6 Creating Features from Text Data
	5.7 Factors versus Dummy Variables in Tree-Based Models
	5.8 Summary
	5.9 Computing
6: Engineering Numeric Predictors
	6.1 1:1 Transformations
	6.2 1:Many Transformations
	6.3 Many:Many Transformations
	6.4 Summary
	6.5 Computing
7: Detecting Interaction Effects
	7.1 Guiding Principles in the Search for Interactions
	7.2 Practical Considerations
	7.3 The Brute-Force Approach to Identifying Predictive Interactions
	7.4 Approaches when Complete Enumeration Is Practically Impossible
	7.5 Other Potentially Useful Tools
	7.6 Summary
	7.7 Computing
8: Handling Missing Data
	8.1 Understanding the Nature and Severity of Missing Information
	8.2 Models that Are Resistant to Missing Values
	8.3 Deletion of Data
	8.4 Encoding Missingness
	8.5 Imputation Methods
	8.6 Special Cases
	8.7 Summary
	8.8 Computing
9: Working with Profile Data
	9.1 Illustrative Data: Pharmaceutical Manufacturing Monitoring
	9.2 What Are the Experimental Unit and the Unit of Prediction?
	9.3 Reducing Background
	9.4 Reducing Other Noise
	9.5 Exploiting Correlation
	9.6 Impacts of Data Processing on Modeling
	9.7 Summary
	9.8 Computing
10: Feature Selection Overview
	10.1 Goals of Feature Selection
	10.2 Classes of Feature Selection Methodologies
	10.3 Effect of Irrelevant Features
	10.4 Overfitting to Predictors and External Validation
	10.5 A Case Study
	10.6 Next Steps
	10.7 Computing
11: Greedy Search Methods
	11.1 Illustrative Data: Predicting Parkinson’s Disease
	11.2 Simple Filters
	11.3 Recursive Feature Elimination
	11.4 Stepwise Selection
	11.5 Summary
	11.6 Computing
12: Global Search Methods
	12.1 Naive Bayes Models
	12.2 Simulated Annealing
	12.3 Genetic Algorithms
	12.4 Test Set Results
	12.5 Summary
	12.6 Computing
Bibliography
Index




نظرات کاربران