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: [1st ed.]
نویسندگان: Osamu Komori. Shinto Eguchi
سری: SpringerBriefs in Statistics
ISBN (شابک) : 9784431555698
ناشر: Springer Japan
سال نشر: 2019
تعداد صفحات: VIII, 59
[63]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 1 Mb
در صورت تبدیل فایل کتاب Statistical Methods for Imbalanced Data in Ecological and Biological Studies 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 روش های آماری برای داده های نامتعادل در مطالعات اکولوژیکی و بیولوژیکی 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 کتاب یک رویکرد جدید و جدید را ارائه میکند، زیرا مروری
جامع از مشکلات چالشبرانگیز ناشی از دادههای نامتعادل در
پیشبینی و طبقهبندی ارائه میکند، و همچنین چندین مورد از
آخرین روشهای آماری برای مقابله با این مشکلات را معرفی
میکند. این کتاب ویژگی عدم تعادل داده ها را از دو دیدگاه مورد
بحث قرار می دهد. اولین مورد عدم تعادل کمی است، به این معنی که
حجم نمونه در یک جامعه بسیار بیشتر از جمعیت دیگر است. این شامل
دادههای فقط حضور به عنوان یک مورد شدید است، که در آن وجود یک
گونه تأیید میشود، در حالی که اطلاعات مربوط به عدم وجود آن
نامشخص است، که به ویژه در بومشناسی در پیشبینی توزیع زیستگاه
رایج است. دوم عدم تعادل کیفی است، به این معنی که توزیع
دادههای یک جمعیت را میتوان به خوبی مشخص کرد، در حالی که
توزیع دادههای دیگری ویژگی بسیار ناهمگن را نشان میدهد. یک
مورد معمولی وجود موارد پرت است که معمولاً در دادههای بیان ژن
مشاهده میشود، و مورد دیگر ویژگیهای ناهمگن است که اغلب در یک
گروه مورد در مطالعات مورد-شاهدی مشاهده میشود. گسترش مدل
رگرسیون لجستیک، maxent و AdaBoost برای دادههای نامتعادل مورد
بحث قرار میگیرد و چارچوب جدیدی برای بهبود پیشبینی،
طبقهبندی و عملکرد انتخاب متغیر ارائه میکند. توابع وزن معرفی
شده در روش ها نقش مهمی در کاهش عدم تعادل داده ها دارند. این
کتاب همچنین دیدگاه جدیدی در مورد این مشکل ارائه می دهد و برخی
از کاربردهای روش های آماری اخیراً توسعه یافته را در مجموعه
داده های واقعی نشان می دهد.
This book presents a fresh, new approach in that it provides
a comprehensive recent review of challenging problems caused
by imbalanced data in prediction and classification, and also
in that it introduces several of the latest statistical
methods of dealing with these problems. The book discusses
the property of the imbalance of data from two points of
view. The first is quantitative imbalance, meaning that the
sample size in one population highly outnumbers that in
another population. It includes presence-only data as an
extreme case, where the presence of a species is confirmed,
whereas the information on its absence is uncertain, which is
especially common in ecology in predicting habitat
distribution. The second is qualitative imbalance, meaning
that the data distribution of one population can be well
specified whereas that of the other one shows a highly
heterogeneous property. A typical case is the existence of
outliers commonly observed in gene expression data, and
another is heterogeneous characteristics often observed in a
case group in case-control studies. The extension of the
logistic regression model, maxent, and AdaBoost for
imbalanced data is discussed, providing a new framework for
improvement of prediction, classification, and performance of
variable selection. Weights functions introduced in the
methods play an important role in alleviating the imbalance
of data. This book also furnishes a new perspective on these
problem and shows some applications of the recently developed
statistical methods to real data sets.
Front Matter ....Pages i-viii
Introduction to Imbalanced Data (Osamu Komori, Shinto Eguchi)....Pages 1-10
Weighted Logistic Regression (Osamu Komori, Shinto Eguchi)....Pages 11-25
\(\beta \)-Maxent (Osamu Komori, Shinto Eguchi)....Pages 27-33
Generalized T-Statistic (Osamu Komori, Shinto Eguchi)....Pages 35-43
Machine Learning Methods for Imbalanced Data (Osamu Komori, Shinto Eguchi)....Pages 45-55
Back Matter ....Pages 57-59