应用预测建模

图书标准信息

• 作者 库恩 M.,约翰逊 K. 著
• 出版社 世界图书出版公司
• 出版时间 2017-05
• 版次 1
• ISBN 9787519220891
• 定价 159.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 624页
• 字数 499千字

【内容简介】

　　《应用预测建模》是一部关于数据分析的经典教材，该书一经出版就备受好评。本书聚焦预测建模的实际应用，如如何进行数据预处理、模型调优、预测变量重要性度量、变量选择等。读者可以从中学到许多建模方法以及提高对许多常用的、现代的有效模型的认识，如线性回归、非线性回归和分类模型，涉及树方法、支持向量机等。书中还涉及从数据预处理到建模再到模型评估和选择的整个过程，以及背后的统计思想，涉及各种回归技术和分类技术。

【作者简介】

maxkuhn是康涅狄格州格罗顿市辉瑞全球研发非临床统计部主任，在制药和诊断行业已有近20年应用预测模型的经验，他还是很多r包的作者。

【目录】

1 Introduction

1.1 Prediction Versus Interpretation

1.2 Key Ingredients of Predictive Models

1.3 Terminology

1.4 Example Data Sets and Typical Data Scenarios

1.5 Overview

1.6 Notation

Part Ⅰ General Strategies

2 A Short Tour of the Predictive Modeling Process

2.1 Case Study:Predicting Fuel Economy

2.2 Themes

2.3 Summary

3 Data Pre-processing

3.1 Case Study:Cell Segmentation in High-Content Screening

3.2 Data Transformations for Individual Predictors

3.3 Data Transformations for Multiple Predictors

3.4 Dealing with Missing Values

3.5 Removing Predictors

3.6 Adding Predictors

3.7 Binning Predictors

3.8 Computing

Exercises

4 Over-Fitting and Model Tuning

4.1 The Problem of Over-Fitting

4.2 Model Tuning

4.3 Data Splitting

4.4 Resampling Techniques

4.5 Case Study:Credit Scoring

4.6 Choosing Final Tuning Parameters

4.7 Data Splitting Recommendations

4.8 Choosing Between Models

4.9 Computing

Exercises

Part Ⅱ Regression Models

5 Measuring Performance in Regression Models

5.1 Quantitative Measures of Performance

5.2 The Variance-Bias Trade-off

5.3 Computing

6 Linear Regression and Its Cousins

6.1 Case Study:Quantitative Structure-Activity Relationshir Modeling

6.2 Linear Regression

6.3 Partial Least Squares

6.4 Penalized Models

6.5 Computing

Exercises

7 Nonlinear Regression Models

7.1 Neural Networks

7.2 Multivariate Adaptive Regression Splines

7.3 Support Vector Machines

7.4 K-Nearest Neighbors

7.5 Computing

Exercises

8 Regression Trees and Rule-Based Models

8.1 Basic Regression Trees

8.2 Regression Model Trees

8.3 Rule-Based Models

8.4 Bagged Trees

8.5 Random Forests

8.6 Boosting

8.7 Cubist

8.8 Computing

Exercises

9 A Summary of Solubility Models

10 Case Study:Compressive Strength of Concrete Mixtures

10.1 Model Building Strategy

10.2 Model Performance

10.3 Optimizing Compressive Strength

10.4 Computing

Part Ⅲ Classification Models

11 Measuring Performance in Classification Models

11.1 Class Predictions

11.2 Evaluating Predicted Classes

11.3 Evaluating Class Probabilities

11.4 Computing

12 Discriminant Analysis and Other Linear Classification Models

12.1 Case Study:Predicting Successful Grant Applications

12.2 Logistic Regression

12.3 Linear Discriminant Analysis

12.4 Partial Least Squares Discriminant Analysis

12.5 Penalized Models

12.6 Nearest Shrunken Centroids

12.7 Computing

Exercises

13 Nonlinear Classification Models

13.1 Nonlinear Discriminant Analysis

13.2 Neural Networks

13.3 Flexible Discriminant Analysis

13.4 Support Vector Machines

13.5 K-Nearest Neighbors

13.6 Naive Bayes

13.7 Computing

Exercises

14 Classification Trees and Rule-Based Models

14.1 Basic Classification Trees

14.2 Rule-Based Models

14.3 Bagged Trees

14.4 Random Forests

14.5 Boosting

14.6 C5.0

14.7 Comparing Two Encodings of Categorical Predictors

14.8 Computing

Exercises

15 A Summary of Grant Application Models

16 Remedies for Severe Class Imbalance

16.1 Case Study:Predicting Caravan Policy Ownership

16.2 The Effect of Class Imbalance

16.3 Model Tuning

16.4 Alternate Cutoffs

16.5 Adjusting Prior Probabilities

16.6 Unequal Case Weights

16.7 Sampling Methods

16.8 Cost-Sensitive Training

16.9 Computing

Exercises

17 Case Study:Job Scheduling

17.1 Data Splitting and Model Strategy

17.2 Results

17.3 Computing

Part Ⅳ Other Considerations

18 Measuring Predictor Importance

18.1 Numeric Outcomes

18.2 Categorical Outcomes

18.3 Other Approaches

18.4 Computing

Exercises

19 An Introduction to Feature Selection

……