Rank-Based Methods for Shrinkage and Selection: With Application to Machine Learning

راهنمای عملی و عملی برای تئوری و روش شناسی تخمین آماری بر اساس رتبه

آمار قوی یک زمینه مهم در ریاضیات معاصر و روش های آماری کاربردی است. روش‌های مبتنی بر رتبه برای انقباض و انتخاب: با کاربرد در یادگیری ماشینی تکنیک‌هایی را برای تولید تجزیه و تحلیل داده‌های با کیفیت بالاتر در انتخاب انقباض و زیر مجموعه برای به دست آوردن مدل‌های صرفه‌جویی با پیش‌بینی بدون حاشیه توصیف می‌کند. . این کتاب برای آماردانان، اقتصاددانان، آمار زیستی، دانشمندان داده و دانشجویان تحصیلات تکمیلی در نظر گرفته شده است.

روش‌های مبتنی بر رتبه برای انقباض و انتخاب نظریه و کاربرد مبتنی بر رتبه در یادگیری ماشین را برای تقویت روش حداقل مربعات توضیح می‌دهد. همچنین شامل:

• توسعه نظریه رتبه و کاربرد انقباض و انتخاب
• < span>روش‌شناسی برای علم داده‌های قوی با استفاده از برآوردگرهای رتبه جریمه‌شده
• نظریه و روش‌های پراکندگی رتبه جریمه‌شده برای ریج، LASSO و Enet. span>
• موضوعات عبارتند از رگرسیون لیو، ابعاد بالا، و AR(p)
• رگرسیون لجستیک و شبکه‌های عصبی مبتنی بر رتبه جدید
• مجموعه‌های مشکل شامل کد R برای نشان دادن استفاده از آن در یادگیری ماشین هستند

A practical and hands-on guide to the theory and methodology of statistical estimation based on rank

Robust statistics is an important field in contemporary mathematics and applied statistical methods. Rank-Based Methods for Shrinkage and Selection: With Application to Machine Learning describes techniques to produce higher quality data analysis in shrinkage and subset selection to obtain parsimonious models with outlier-free prediction. This book is intended for statisticians, economists, biostatisticians, data scientists and graduate students.

Rank-Based Methods for Shrinkage and Selection elaborates on rank-based theory and application in machine learning to robustify the least squares methodology. It also includes:

• Development of rank theory and application of shrinkage and selection
• Methodology for robust data science using penalized rank estimators
• Theory and methods of penalized rank dispersion for ridge, LASSO and Enet
• Topics include Liu regression, high-dimension, and AR(p)
• Novel rank-based logistic regression and neural networks
• Problem sets include R code to demonstrate its use in machine learning