La scienza dei dati rivelata: Con l'ingegneria delle caratteristiche, la visualizzazione dei dati, lo sviluppo di pipeline e la regolazione degli iperparametri

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Data Science Revealed: With Feature Engineering, Data Visualization, Pipeline Development, and Hyperparameter Tuning

Contenuto del libro:

Sezione 1: Metodi parametriciCapitolo 1: Introduzione alla regressione lineare sempliceObiettivo del capitolo: introduce il lettore alla regressione parametrica e ne comprende le ipotesi di base. Sottoargomenti - Ipotesi di regressione. - Rilevamento dei valori mancanti. - Analisi descrittiva. - Comprendere la correlazione. o Tracciare la matrice di correlazione di Pearson. - Determinare la covarianza. o Tracciare la matrice di covarianza. - Creare e rimodellare gli array. - Suddividere i dati in dati di allenamento e dati di prova. - Normalizzare i dati. - Trovare i migliori iperparametri per un modello. - Costruire il proprio modello. - Esaminare le prestazioni del modello. o Errore assoluto medio. o Errore quadratico medio. o Errore quadratico medio. o R-quadrato. o Tracciare i valori effettivi rispetto ai valori previsti. - Diagnosi residua. o Grafico normale Q-Q. o Grafico dell'influenza D di Cook. o Tracciare i valori previsti rispetto ai valori residui. o Tracciare i valori adattati rispetto ai valori residui. o Tracciare i valori della leva rispetto ai valori residui. o Tracciare i valori adattati rispetto ai valori residui studiati. o Tracciare i valori della leva rispetto ai valori residui studiati.

Capitolo 2: Metodi parametrici avanzatiObiettivo del capitolo: evidenzia i metodi per affrontare il problema dell'under-fitting e dell'over-fitting. Sottoargomenti - Problema della multicollinearità. - Esplorare i metodi per affrontare il problema dell'under-fitting e dell'over-fitting. - Comprendere i modelli di regressione Ridge, RidgeCV e Lasso. - Trovare i migliori iperparametri per un modello. - Costruire modelli regolarizzati. - Confrontare le prestazioni di diversi metodi di regressione. o Errore assoluto medio. o Errore quadratico medio. o Errore quadratico medio. o R-quadrato. o Tracciare i valori reali rispetto ai valori previsti.

Capitolo 3: Analisi delle serie temporaliObiettivo del capitolo: descrive un modello per identificare tendenze e schemi in dati sequenziali e come prevedere una serie. - Che cos'è l'analisi delle serie temporali? - Assunti di base dell'analisi delle serie temporali. - Diversi tipi di modelli di analisi delle serie temporali. - Il modello ARIMA. - Test di stazionarietà. o Eseguire un test ADF Fuller. - Test del rumore bianco. - Test di correlazione. o Tracciare il grafico dei lag. o Tracciare il grafico dei lag e dell'autocorrelazione. o Tracciare l'ACF. o Tracciare il PACF. - Comprendere trend, stagionalità e tendenze. o Tracciare le componenti stagionali. - Smussare una serie temporale utilizzando le tecniche della media mobile, della deviazione standard e dell'esponenziale. o Tracciare le serie temporali smussate. - Determinare il tasso di rendimento e il tasso di rendimento rotativo. - Determinare i parametri del modello ARIMA. - Costruire il modello ARIMA. - Previsione ARIMA. o Tracciare la previsione. - Diagnosi dei residui.

Capitolo 4: Serie temporali di alta qualitàObiettivo del capitolo: Esplora Prophet per una migliore previsione delle serie. - Differenza tra statsmodel e Prophet. - Comprendere i componenti di Prophet. - Preelaborazione dei dati. - Sviluppare un modello con Prophet. - Prevedere una serie. o Tracciare la previsione. o Tracciare le componenti stagionali. - Valutare le prestazioni del modello utilizzando Prophet. Capitolo 4: Regressione logisticaObiettivo del capitolo: introduce il lettore alla regressione logistica, un potente modello di classificazione. Sottoargomenti: trovare i valori mancanti.