Avis des lecteurs
Résumé:Le livre est apprécié pour sa clarté et ses exemples pratiques, ce qui le rend accessible à ceux qui découvrent R et les techniques statistiques. Cependant, certains lecteurs auraient souhaité plus de profondeur sur des sujets spécifiques tels que la multicollinéarité et l'utilisation de bibliothèques avancées.
Avantages:⬤ Exemples utiles et explications claires
⬤ accessible aux débutants ayant une connaissance limitée de R
⬤ couvre des techniques statistiques largement utilisées
⬤ constitue une bonne ressource de base.
Manque de profondeur sur la multicollinéarité ; n'aborde pas la bibliothèque tidyverse pour l'analyse de régression avancée.
(basé sur 3 avis de lecteurs)
Titre original :
Regression Analysis with R
Contenu du livre :
Construire des modèles de régression efficaces en R pour extraire des informations précieuses de données réelles Caractéristiques principales Mettre en œuvre différentes techniques d'analyse de régression pour résoudre des problèmes courants en science des données - de l'exploration des données au traitement des valeurs manquantes De la régression linéaire simple à la régression logistique - ce livre couvre toutes les techniques de régression et leur mise en œuvre en R Un guide complet pour construire des modèles de régression efficaces en R et interpréter les résultats de ces modèles pour faire des prédictions précieuses Description du livre
L'analyse de régression est un processus statistique qui permet de prédire les relations entre les variables. Les prédictions sont basées sur l'effet occasionnel d'une variable sur une autre. Les techniques de régression pour la modélisation et l'analyse sont employées sur de grands ensembles de données afin de révéler les relations cachées entre les variables.
Ce livre vous donnera un aperçu de ce qu'est l'analyse de régression, en vous expliquant le processus à partir de zéro. Les premiers chapitres permettent de comprendre les différents types d'apprentissage - supervisé et non supervisé - et les différences entre ces apprentissages. Nous abordons ensuite l'apprentissage supervisé en détail, en couvrant les différents aspects de l'analyse de régression. Le plan des chapitres est organisé de manière à donner une idée de toutes les étapes couvertes dans un processus de science des données - chargement de l'ensemble de données d'entraînement, traitement des valeurs manquantes, AED sur l'ensemble de données, transformations et ingénierie des caractéristiques, construction de modèles, évaluation de l'ajustement et de la performance du modèle, et enfin réalisation de prédictions sur des ensembles de données non vus. Chaque chapitre commence par expliquer les concepts théoriques et, une fois que le lecteur est à l'aise avec la théorie, nous passons aux exemples pratiques pour étayer la compréhension. Les exemples pratiques sont illustrés à l'aide de code R, y compris les différents packages de R tels que R Stats, Caret, etc. Chaque chapitre est un mélange de théorie et d'exemples pratiques.
À la fin de ce livre, vous connaîtrez tous les concepts et les problèmes liés à l'analyse de régression, et vous serez en mesure de mettre en œuvre votre apprentissage dans vos projets. Ce que vous apprendrez Commencer le voyage de la science des données en utilisant la régression linéaire simple Traiter l'interaction, la colinéarité et d'autres problèmes en utilisant la régression linéaire multiple Comprendre les diagnostics et ce qu'il faut faire si les hypothèses échouent avec une analyse appropriée Charger votre ensemble de données, traiter les valeurs manquantes et tracer les relations avec l'analyse exploratoire des données Développer un modèle parfait en évitant les surcharges, et tracer les relations avec l'analyse exploratoire des données Développer un modèle parfait en tenant compte de l'overfitting, du underfitting et de la validation croisée Traiter les problèmes de classification en appliquant la régression logistique Explorer d'autres techniques de régression - arbres de décision, Bagging, et techniques de Boosting Apprendre en mettant tout cela en action avec l'aide d'une étude de cas réelle. À qui s'adresse ce livre ?
Ce livre est destiné aux data scientists et data analysts en herbe qui souhaitent mettre en œuvre des techniques d'analyse de régression à l'aide de R. Si vous êtes intéressé par les statistiques, la science des données, l'apprentissage automatique et que vous souhaitez obtenir une introduction facile au sujet, alors ce livre est ce qu'il vous faut ! Des connaissances de base en statistiques et en mathématiques vous aideront à tirer le meilleur parti de ce livre. Une certaine expérience de la programmation avec R sera également utile Table des matières Débuter avec la régression Concepts de base - Régression linéaire simple Plus qu'un seul prédicteur - MLR Régression logistique Préparation des données Éviter les problèmes de surajustement - Atteindre la généralisation Aller plus loin avec les modèles de régression Au-delà de la linéarité - Quand la courbe est bien meilleure L'analyse de régression dans la pratique
Autres informations sur le livre :
| ISBN : | 9781788627306 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
