Ocena:
Książka jest dobrze oceniana za przejrzystość i praktyczne przykłady, dzięki czemu jest przystępna dla osób początkujących w R i technikach statystycznych. Niektórzy czytelnicy liczyli jednak na bardziej szczegółowe omówienie konkretnych tematów, takich jak wieloliniowość i korzystanie z zaawansowanych bibliotek.
Zalety:⬤ Pomocne przykłady i jasne wyjaśnienia
⬤ przystępny dla początkujących z ograniczoną znajomością R
⬤ obejmuje szeroko stosowane techniki statystyczne
⬤ służy jako dobre źródło informacji.
Brak dogłębnego omówienia wieloliniowości; nie omawia biblioteki tidyverse do zaawansowanej analizy regresji.
(na podstawie 3 opinii czytelników)
Regression Analysis with R
Twórz efektywne modele regresji w R, aby wydobywać cenne informacje z rzeczywistych danych Kluczowe cechy Wdrażaj różne techniki analizy regresji, aby rozwiązywać typowe problemy w nauce o danych - od eksploracji danych po radzenie sobie z brakującymi wartościami Od prostej regresji liniowej po regresję logistyczną - ta książka obejmuje wszystkie techniki regresji i ich implementację w R Kompletny przewodnik po budowaniu skutecznych modeli regresji w R i interpretowaniu ich wyników w celu tworzenia wartościowych prognoz Opis książki
Analiza regresji jest procesem statystycznym, który umożliwia przewidywanie związków między zmiennymi. Przewidywania opierają się na przypadkowym wpływie jednej zmiennej na drugą. Techniki regresji do modelowania i analizy są stosowane na dużych zbiorach danych w celu ujawnienia ukrytych relacji między zmiennymi.
Ta książka wyjaśni ci, czym jest analiza regresji, wyjaśniając proces od podstaw. Pierwsze kilka rozdziałów pozwala zrozumieć, czym są różne rodzaje uczenia się - nadzorowane i nienadzorowane, czym różnią się one od siebie. Następnie przechodzimy do szczegółowego omówienia uczenia nadzorowanego, obejmującego różne aspekty analizy regresji. Zarys rozdziałów jest ułożony w sposób, który daje poczucie wszystkich kroków objętych procesem nauki o danych - ładowanie zbioru danych treningowych, obsługa brakujących wartości, EDA na zbiorze danych, transformacje i inżynieria cech, budowanie modelu, ocena dopasowania modelu i wydajności, a na koniec tworzenie prognoz na niewidzianych zbiorach danych. Każdy rozdział rozpoczyna się od wyjaśnienia koncepcji teoretycznych, a gdy czytelnik zapozna się z teorią, przechodzimy do praktycznych przykładów wspierających zrozumienie. Praktyczne przykłady są zilustrowane za pomocą kodu R, w tym różnych pakietów w R, takich jak R Stats, Caret i tak dalej. Każdy rozdział stanowi połączenie teorii i praktycznych przykładów.
Pod koniec tej książki poznasz wszystkie koncepcje i punkty bólu związane z analizą regresji i będziesz w stanie wdrożyć zdobytą wiedzę w swoich projektach. Czego się nauczysz Rozpocznij przygodę z nauką o danych przy użyciu prostej regresji liniowej Poradzić sobie z interakcjami, współliniowością i innymi problemami przy użyciu wielokrotnej regresji liniowej Zrozumieć diagnostykę i co zrobić, jeśli założenia zawiodą dzięki odpowiedniej analizie Załaduj swój zbiór danych, potraktuj brakujące wartości, Opracowanie idealnego modelu z uwzględnieniem nadmiernego dopasowania, niedostatecznego dopasowania i walidacji krzyżowej Radzenie sobie z problemami związanymi z klasyfikacją poprzez zastosowanie regresji logistycznej Poznanie innych technik regresji - drzew decyzyjnych, technik Bagging i Boosting Nauka poprzez zastosowanie wszystkich tych technik w praktyce z pomocą rzeczywistego studium przypadku. Dla kogo przeznaczona jest ta książka
Ta książka jest przeznaczona dla początkujących naukowców i analityków danych, którzy chcą wdrożyć techniki analizy regresji przy użyciu R. Jeśli interesujesz się statystyką, nauką o danych, uczeniem maszynowym i chcesz uzyskać łatwe wprowadzenie do tematu, to ta książka jest tym, czego potrzebujesz! Podstawowe zrozumienie statystyki i matematyki pomoże ci w pełni wykorzystać tę książkę. Pewne doświadczenie w programowaniu w R również będzie pomocne Spis treści Pierwsze kroki z regresją Podstawowe pojęcia - prosta regresja liniowa Więcej niż tylko jeden predyktor - regresja logistyczna MLR Przygotowanie danych Unikanie problemów z nadmiernym dopasowaniem - osiąganie uogólnienia Idąc dalej z modelami regresji Poza liniowością - kiedy krzywizna jest znacznie lepsza Analiza regresji w praktyce
