Analisi di regressione con R

Recensioni dei lettori

Il libro è apprezzato per la sua chiarezza e i suoi esempi pratici, che lo rendono accessibile anche a chi è alle prime armi con R e le tecniche statistiche. Tuttavia, alcuni lettori speravano in un maggiore approfondimento di argomenti specifici come la multicollinearità e l'uso di librerie avanzate.

⬤ Esempi utili e spiegazioni chiare
⬤ accessibile ai principianti con una conoscenza limitata di R
⬤ copre tecniche statistiche ampiamente utilizzate
⬤ serve come buona risorsa di base.

Manca di approfondimento sulla multicollinearità; non tratta la libreria tidyverse per l'analisi di regressione avanzata.

(basato su 3 recensioni dei lettori)

Titolo originale:

Regression Analysis with R

Contenuto del libro:

Costruire modelli di regressione efficaci in R per estrarre informazioni preziose da dati reali Caratteristiche principali Implementare diverse tecniche di analisi di regressione per risolvere i problemi più comuni nella scienza dei dati, dall'esplorazione dei dati alla gestione dei valori mancanti Dalla semplice regressione lineare alla regressione logistica, questo libro copre tutte le tecniche di regressione e la loro implementazione in R Una guida completa alla costruzione di modelli di regressione efficaci in R e all'interpretazione dei risultati da essi ottenuti per fare previsioni preziose Descrizione del libro

L'analisi di regressione è un processo statistico che consente di prevedere le relazioni tra le variabili. Le previsioni si basano sull'effetto casuale di una variabile su un'altra. Le tecniche di regressione per la modellazione e l'analisi sono impiegate su grandi serie di dati per rivelare relazioni nascoste tra le variabili.

Questo libro vi spiegherà cos'è l'analisi di regressione, illustrandovi il processo da zero. I primi capitoli spiegano quali sono i diversi tipi di apprendimento - supervisionato e non supervisionato, e come questi apprendimenti differiscono l'uno dall'altro. Si passa poi a trattare in dettaglio l'apprendimento supervisionato, affrontando i vari aspetti dell'analisi di regressione. Lo schema dei capitoli è organizzato in modo da dare un'idea di tutte le fasi del processo di data science: caricamento del dataset di addestramento, gestione dei valori mancanti, EDA sul dataset, trasformazioni e ingegnerizzazione delle caratteristiche, costruzione del modello, valutazione dell'adattamento e delle prestazioni del modello e infine formulazione di previsioni su dataset non visti. Ogni capitolo inizia con la spiegazione dei concetti teorici e, una volta che il lettore ha acquisito familiarità con la teoria, si passa agli esempi pratici per supportare la comprensione. Gli esempi pratici sono illustrati utilizzando il codice R, compresi i diversi pacchetti di R come R Stats, Caret e così via. Ogni capitolo è un mix di teoria ed esempi pratici.

Alla fine di questo libro conoscerete tutti i concetti e i punti dolenti relativi all'analisi di regressione e sarete in grado di implementare quanto appreso nei vostri progetti. Cosa imparerete Iniziate il viaggio nella scienza dei dati usando la regressione lineare semplice Affrontate interazioni, collinearità e altri problemi usando la regressione lineare multipla Comprendete la diagnostica e cosa fare se le ipotesi falliscono con un'analisi adeguata Caricate il vostro set di dati, trattate i valori mancanti, e tracciare relazioni con l'analisi esplorativa dei dati Sviluppare un modello perfetto tenendo conto di overfitting, underfitting e convalida incrociata Affrontare i problemi di classificazione applicando la regressione logistica Esplorare altre tecniche di regressione - alberi decisionali, Bagging e tecniche di Boosting Imparare mettendo tutto in pratica con l'aiuto di un caso di studio del mondo reale. A chi è rivolto questo libro

Questo libro è destinato ai data scientist e agli analisti di dati in erba che vogliono implementare le tecniche di analisi di regressione utilizzando R. Se siete interessati alla statistica, alla scienza dei dati e all'apprendimento automatico e volete ottenere una facile introduzione all'argomento, allora questo libro è ciò che vi serve! Una conoscenza di base della statistica e della matematica vi aiuterà a trarre il massimo dal libro. Sarà utile anche un po' di esperienza di programmazione con R Sommario Iniziare con la regressione Concetti di base - Regressione lineare semplice Più di un solo predittore - MLR Regressione logistica Preparazione dei dati Evitare i problemi di overfitting - Ottenere la generalizzazione Andare oltre con i modelli di regressione Oltre la linearità - Quando la curva è molto meglio Analisi di regressione in pratica