دانلود کتاب Assessing and Improving Prediction and Classification: Theory and Algorithms in C++ (به فارسی: ارزیابی و بهبود پیش‌بینی و طبقه‌بندی: نظریه و الگوریتم‌ها در C++) نوشته شده توسط «Timothy Masters»
اطلاعات کتاب ارزیابی و بهبود پیش‌بینی و طبقه‌بندی: نظریه و الگوریتم‌ها در C++
موضوع اصلی: کامپیوترها
نوع: کتاب الکترونیکی
ناشر: Apress
نویسنده: Timothy Masters
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2018
تعداد صفحه: 530
حجم فایل: 6.66 مگابایت
کد کتاب: 1484233360 , 9781484233368
نوبت چاپ: 1
توضیحات کتاب ارزیابی و بهبود پیش‌بینی و طبقه‌بندی: نظریه و الگوریتم‌ها در C++
کیفیت مدل‌های پیش‌بینی و طبقه‌بندی خود را به گونه‌ای ارزیابی کنید که عملکرد واقعی آن‌ها را به دقت منعکس کند، و سپس این عملکرد را با استفاده از الگوریتم‌های پیشرفته مانند تصمیم‌گیری مبتنی بر کمیته، نمونه‌برداری مجدد از مجموعه داده، و تقویت. این کتاب بسیاری از تکنیک‌های مهم را برای ساخت مدل‌های قدرتمند و قوی و تعیین کمیت رفتار مورد انتظار آن‌ها در هنگام استفاده از برنامه شما ارائه می‌کند.
توجه قابل توجهی به نظریه اطلاعات داده شده است، به‌ویژه در رابطه با کشف و بهره‌برداری از روابط بین متغیرهای به کار گرفته شده توسط شما. مدل ها. این ارائه یک موضوع اغلب گیج کننده از ریاضیات پیشرفته اجتناب می کند و در عوض بر مفاهیمی تمرکز می کند که به راحتی توسط کسانی که پیشینه متوسطی در ریاضیات دارند قابل درک است.
همه الگوریتم ها شامل توضیحی بصری از عملیات، معادلات اساسی، ارجاع به نظریه دقیق تر، و منبع نظری C++ هستند. کد بسیاری از این تکنیک‌ها پیشرفت‌های اخیر هستند و هنوز به طور گسترده مورد استفاده قرار نگرفته‌اند. برخی دیگر الگوریتم های استانداردی هستند که ظاهری تازه دارند. در هر مورد، تأکید بر کاربرد عملی است، با تمام کدها به گونه ای نوشته شده است که به راحتی می توان آن را در هر برنامه ای گنجاند.
آنچه یاد خواهید گرفت
- آنتروپی را برای تشخیص پیش‌بینی‌کننده‌های مشکل‌ساز محاسبه کنید.
- فاصله‌های اطمینان و تحمل را برای پیش‌بینی‌ها، و همچنین سطوح اطمینان برای تصمیم‌گیری‌های طبقه‌بندی را محاسبه کنید.
- پیش‌بینی‌های عددی را با استفاده از ترکیب‌های محدود و نامحدود، درون‌یابی وزنی واریانس، و هموارسازی رگرسیون هسته بهبود دهید.
- تصمیم‌های طبقه‌بندی را با استفاده از شمارش Borda، قوانین MinMax و MaxMin، قوانین اتحاد و تقاطع، رگرسیون لجستیک بهبود بخشید. ، انتخاب با دقت محلی، به حداکثر رساندن انتگرال فازی و جفت جفتی.
- از تکنیک های نظری اطلاعات برای غربالگری سریع تعداد زیادی از پیش بینی کننده های نامزد استفاده کنید، و مواردی را که به ویژه امیدوارکننده هستند شناسایی کنید.
- از روش‌های جایگشت مونت کارلو برای ارزیابی نقش خوش شانسی در عملکرد استفاده کنید. نتایج.
این کتاب برای چه کسی است
هرکسی که مدل‌های پیش‌بینی یا طبقه‌بندی را ایجاد کند، تعداد زیادی الگوریتم مفید را در این کتاب پیدا خواهد کرد. کتاب. اگرچه همه نمونه‌های کد به زبان C++ نوشته شده‌اند، اما الگوریتم‌ها با جزئیات کافی توضیح داده شده‌اند که به راحتی می‌توان آن‌ها را به هر زبانی برنامه‌ریزی کرد.
Assess the quality of your prediction and classification models in ways that accurately reflect their real-world performance, and then improve this performance using state-of-the-art algorithms such as committee-based decision making, resampling the dataset, and boosting. This book presents many important techniques for building powerful, robust models and quantifying their expected behavior when put to work in your application.
Considerable attention is given to information theory, especially as it relates to discovering and exploiting relationships between variables employed by your models. This presentation of an often confusing subject avoids advanced mathematics, focusing instead on concepts easily understood by those with modest background in mathematics.
All algorithms include an intuitive explanation of operation, essential equations, references to more rigorous theory, and commented C++ source code. Many of these techniques are recent developments, still not in widespread use. Others are standard algorithms given a fresh look. In every case, the emphasis is on practical applicability, with all code written in such a way that it can easily be included in any program.
What You’ll Learn
- Compute entropy to detect problematic predictors.
- Compute confidence and tolerance intervals for predictions, as well as confidence levels for classification decisions.
- Improve numeric predictions using constrained and unconstrained combinations, variance-weighted interpolation, and kernel-regression smoothing.
- Improve classification decisions using Borda counts, MinMax and MaxMin rules, union and intersection rules, logistic regression, selection by local accuracy, maximization of the fuzzy integral, and pairwise coupling.
- Use information-theoretic techniques to rapidly screen large numbers of candidate predictors, identifying those that are especially promising.
- Use Monte-Carlo permutation methods to assess the role of good luck in performance results.
Who This Book is For
Anyone who creates prediction or classification models will find a wealth of useful algorithms in this book. Although all code examples are written in C++, the algorithms are described in sufficient detail that they can easily be programmed in any language.
دانلود کتاب «ارزیابی و بهبود پیش‌بینی و طبقه‌بندی: نظریه و الگوریتم‌ها در C++»
