Modellazione ordinata con R: una struttura per la modellazione nel Tidyverse

Recensioni dei lettori

Il libro è molto apprezzato per i suoi contenuti sulla modellazione ordinata in R e fornisce preziose intuizioni e consigli pratici da parte di autori esperti. Tuttavia, manca la stampa a colori, che alcuni lettori hanno trovato un inconveniente, e potrebbe essere difficile da seguire a causa dell'omissione dei nomi dei pacchetti nelle chiamate di funzione.

Contenuti preziosi che rafforzano la conoscenza della programmazione R, approfondimenti pratici sulla modellazione, consigliato sia ai principianti che ai professionisti esperti, linguaggio di facile comprensione, affronta importanti insidie nella modellazione.

Manca la stampa a colori, che sminuisce la presentazione; l'omissione dei nomi dei pacchetti nelle chiamate di funzione rende più difficile il debugging.

(basato su 6 recensioni dei lettori)

Titolo originale:

Tidy Modeling with R: A Framework for Modeling in the Tidyverse

Contenuto del libro:

Per iniziare a lavorare con tidymodels, una raccolta di pacchetti R per la modellazione e l'apprendimento automatico. Che siate agli inizi o abbiate anni di esperienza nella modellazione, questa introduzione pratica mostra ad analisti di dati, analisti aziendali e data scientist come il framework tidymodels offra un approccio coerente e flessibile per il vostro lavoro.

Gli ingegneri di RStudio Max Kuhn e Julia Silge mostrano come creare modelli concentrandosi su un dialetto di R chiamato tidyverse. Il software che adotta i principi del tidyverse condivide sia una filosofia di progettazione di alto livello sia una grammatica e strutture di dati di basso livello, per cui l'apprendimento di un elemento dell'ecosistema facilita l'apprendimento di quello successivo. Capirete perché il framework tidymodels è stato costruito per essere utilizzato da un'ampia gamma di persone.

Con questo libro:

⬤ Apprenderete i passi necessari per costruire un modello dall'inizio alla fine.

⬤ Capire come utilizzare in modo fluido diversi approcci di modellazione e feature engineering.

⬤ Esaminare le opzioni per evitare le comuni insidie della modellazione, come l'overfitting.

⬤ Imparare metodi pratici per preparare i dati alla modellazione.

⬤ Tarare i modelli per ottenere prestazioni ottimali.

⬤ Usare le buone pratiche statistiche per confrontare, valutare e scegliere tra i modelli.