Autor:
Wydawca:
Format:
ibuk
W systemach społecznych kolektywne podejmowanie decyzji jest czymś naturalnym. Na przykład w sprawach dotyczących działalności jednostek gospodarczych (przedsiębiorstwa), czy administracyjnych (miasta), decyzje podejmuje zarząd, a więc zespół osób składający się ze specjalistów z różnych dziedzin (finansów, marketingu, zarządzania, produkcji, sprzedaży, itd.). Odbywa się to zazwyczaj albo na zasadzie konsensusu, albo większością głosów w drodze głosowania. W taki sposób można także rozwiązywać problemy szeroko rozumianej statystyki wielowymiarowej, a zwłaszcza analizy dyskryminacyjnej i analizy regresji.
Publikacja przybliży Czytelnikowi podstawowe zagadnienia związane z łączeniem modeli dyskryminacyjnych i regresyjnych. Ilustrowana jest wieloma przykładami, w których wykorzystano powszechnie uznane i ogólnodostępne zbiory danych. Przykłady te pozwalają lepiej zrozumieć charakter rozważanych zagadnień, a ponadto dowodzą praktycznej przydatności omawianych metod.
Na końcu książki znajduje się bardzo obszerna bibliografia przedmiotu, obejmująca przeszło 300 najważniejszych pozycji z literatury światowej, wydanych do połowy 2007 roku.
Rozważania zamieszczone w książce zainteresują badaczy różnych specjalności, a przede wszystkim statystyków i informatyków zajmujących się komputerowymi modelami statystyki wielowymiarowej oraz implementacjami w dziedzinie eksploracji danych (Data Mining). Również studenci starszych lat specjalizujący się w statystyce i ekonometrii oraz praktycy wykorzystujący metody dyskryminacji i regresji powinni znaleźć tu interesujące dla siebie zagadnienia.
Rok wydania | 2008 |
---|---|
Liczba stron | 200 |
Kategoria | Inne |
Wydawca | Wydawnictwo Naukowe PWN |
ISBN-13 | 978-83-01-15366-3 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
POLECAMY
Ciekawe propozycje
Podejście dochodowe w wycenie...
do koszyka
Podejście kalibracyjne w badaniach...
do koszyka
AI - podejście pragmatyczne
do koszyka
Bezpieczeństwo - podejście wartościujące
do koszyka
Chemia analityczna. Podejście praktyczne
do koszyka
Cyberbezpieczeństwo. Podejście systemowe
do koszyka
Spis treści
Wstęp VII | |
Wykaz symboli XI | |
1. Podstawowe zagadnienia analizy dyskryminacyjnej i analizy regresji | 1 |
1.1. Pojęcia wstępne | 1 |
1.2. Dyskryminacja i regresja | 3 |
1.3. Błąd predykcji i jego dekompozycja | 9 |
1.4. Zbiory danych wykorzystywane w książce | 15 |
2. Wybrane klasy modeli dyskryminacyjnych i regresyjnych | 21 |
2.1. Modele liniowe | 21 |
2.2. Metoda najbliższych sąsiadów | 30 |
2.3. Drzewa klasyfikacyjne i regresyjne | 37 |
2.4. Sieci neuronowe | 46 |
2.5. Metoda wektorów nośnych (SVM) | 54 |
3. Podejście wielomodelowe | 62 |
3.1. Agregacja modeli | 62 |
3.2. Architektura modeli zagregowanych | 67 |
3.3. Dekompozycja błędu predykcji modelu zagregowanego | 70 |
3.4. Ustalanie optymalnej liczby modeli bazowych | 78 |
4. Zróżnicowanie modeli bazowych i jego pomiar | 83 |
4.1. Znaczenie zróżnicowania modeli bazowych | 83 |
4.2. Miary zróżnicowania pary modeli bazowych | 88 |
4.3. Miary zróżnicowania wszystkich modeli bazowych | 96 |
4.4. Sposoby zapewnienia zróżnicowania modeli bazowych | 101 |
4.5. Wykorzystanie metod taksonomicznych | 106 |
5. Metody łączenia wyników predykcji modeli bazowych | 112 |
5.1. Rodzaje predykcji modeli bazowych | 112 |
5.2. Pojedyncza klasa | 114 |
5.3. Uporządkowany zbiór klas | 121 |
5.4. Wektor prawdopodobieństw a posteriori | 125 |
5.5. Analiza porównawcza metod łączenia modeli | 132 |
6. Wybrane metody budowy modeli zagregowanych | 138 |
6.1. Bagging i inne metody losowego doboru obserwacji do prób uczących | 138 |
Windowing | 138 |
Stacking | 139 |
Bagging | 140 |
Wagging | 141 |
Ivotes | 142 |
Bundling | 143 |
6.2. Metoda boosting i jej odmiany | 145 |
Arcing | 150 |
AdaBoost.R | 151 |
Gradient boosting | 152 |
6.3. Metody doboru zmiennych objaśniających | 155 |
Random Subspace Method | 155 |
Losowy dobór zmiennych do drzew klasyfikacyjnych i regresyjnych | 157 |
Random Forests | 158 |
Input Decimation | 160 |
CFSH | 161 |
6.4. Metody oparte na modyfikacjach zmiennej zależnej | 164 |
Twicing | 164 |
Error-Correcting Output Coding | 164 |
Adaptive bagging | 168 |
Bibliografia | 170 |
Indeks | 184 |