توضیحات
Explore powerful R packages to create predictive models using ensemble methods
Key Features
- Implement machine learning algorithms to build ensemble-efficient models
- Explore powerful R packages to create predictive models using ensemble methods
- Learn to build ensemble models on large datasets using a practical approach
Book Description
Ensemble techniques are used for combining two or more similar or dissimilar machine learning algorithms to create a stronger model. Such a model delivers superior prediction power and can give your datasets a boost in accuracy.
Hands-On Ensemble Learning with R begins with the important statistical resampling methods. You will then walk through the central trilogy of ensemble techniques bagging, random forest, and boosting then you’ll learn how they can be used to provide greater accuracy on large datasets using popular R packages. You will learn how to combine model predictions using different machine learning algorithms to build ensemble models. In addition to this, you will explore how to improve the performance of your ensemble models.
By the end of this book, you will have learned how machine learning algorithms can be combined to reduce common problems and build simple efficient ensemble models with the help of real-world examples.
What you will learn
- Carry out an essential review of re-sampling methods, bootstrap, and jackknife
- Explore the key ensemble methods: bagging, random forests, and boosting
- Use multiple algorithms to make strong predictive models
- Enjoy a comprehensive treatment of boosting methods
- Supplement methods with statistical tests, such as ROC
- Walk through data structures in classification, regression, survival, and time series data
- Use the supplied R code to implement ensemble methods
- Learn stacking method to combine heterogeneous machine learning models
Who this book is for
This book is for you if you are a data scientist or machine learning developer who wants to implement machine learning techniques by building ensemble models with the power of R. You will learn how to combine different machine learning algorithms to perform efficient data processing. Basic knowledge of machine learning techniques and programming knowledge of R would be an added advantage.
Table of Contents
- Introduction to Ensemble Techniques
- Bootstrapping
- Bagging
- Random Forests
- The Bare Bones Boosting Algorithms
- Boosting Refinements
- The General Ensemble Technique
- Ensemble Diagnostics
- Ensembling Regression Models
- Ensembling Survival Models
- Ensembling Time Series Models
- What’s Next?
————————————————————–
ترجمه ماشینی :
کاوش بستههای قدرتمند R برای ایجاد مدلهای پیشبینی با استفاده از روشهای مجموعه
ویژگیهای کلیدی
- اجرای الگوریتمهای یادگیری ماشین برای ساخت مدلهای کارآمد مجموعه
- کاوش بستههای قدرتمند R برای ایجاد مدلهای پیشبینی با استفاده از روشهای مجموعه
- یادگیری ساخت مدلهای مجموعه بر روی مجموعه دادههای بزرگ با استفاده از یک رویکرد عملی
توضیح کتاب
تکنیکهای Ensemble برای ترکیب دو یا چند الگوریتم یادگیری ماشین مشابه یا غیرمشابه برای ایجاد یک مدل قویتر استفاده میشوند. چنین مدلی قدرت پیشبینی برتری را ارائه میدهد و میتواند به مجموعه دادههای شما در دقت افزایش دهد.
آموزش گروهی دستی با R با روشهای مهم نمونهگیری مجدد آماری آغاز میشود. سپس از طریق سه گانه مرکزی تکنیک های گروه کیسه، جنگل تصادفی و تقویت قدم خواهید زد، سپس خواهید آموخت که چگونه می توان از آنها برای ارائه دقت بیشتر در مجموعه داده های بزرگ با استفاده از بسته های محبوب R استفاده کرد. شما یاد خواهید گرفت که چگونه پیش بینی های مدل را با استفاده از الگوریتم های مختلف یادگیری ماشین برای ساخت مدل های مجموعه ترکیب کنید. علاوه بر این، نحوه بهبود عملکرد مدلهای مجموعه خود را نیز بررسی خواهید کرد.
در پایان این کتاب، خواهید آموخت که چگونه الگوریتمهای یادگیری ماشین را میتوان برای کاهش مشکلات رایج و ساخت ساده ترکیب کرد. مدلهای گروه کارآمد با کمک نمونههای واقعی.
آنچه یاد خواهید گرفت
- بررسی ضروری روشهای نمونهبرداری مجدد، بوت استرپ و جک نایف را انجام دهید. li>
- روشهای مجموعه کلیدی را کاوش کنید: جمعآوری، جنگلهای تصادفی، و تقویت
- از الگوریتمهای متعدد برای ساخت مدلهای پیشبینی قوی استفاده کنید
- از درمان جامع روشهای تقویت لذت ببرید
- روشهای تکمیلی با آزمونهای آماری، مانند ROC
- از ساختارهای داده در طبقهبندی، رگرسیون، بقا و دادههای سری زمانی استفاده کنید
- از کد R ارائهشده برای پیادهسازی مجموعه استفاده کنید. روشها
- یادگیری روش انباشتگی برای ترکیب مدلهای یادگیری ماشینی ناهمگن
این کتاب برای چه کسی است
اگر دادهای هستید، این کتاب برای شما منا
tag : دانلود کتاب آموزش Hands-On Ensemble with R: راهنمای مبتدیان برای ترکیب قدرت الگوریتم های یادگیری ماشین با استفاده از تکنیک های گروه (نسخه انگلیسی) , Download آموزش Hands-On Ensemble with R: راهنمای مبتدیان برای ترکیب قدرت الگوریتم های یادگیری ماشین با استفاده از تکنیک های گروه (نسخه انگلیسی) , دانلود آموزش Hands-On Ensemble with R: راهنمای مبتدیان برای ترکیب قدرت الگوریتم های یادگیری ماشین با استفاده از تکنیک های گروه (نسخه انگلیسی) , Download Hands-On Ensemble Learning with R: A beginner’s guide to combining the power of machine learning algorithms using ensemble techniques (English Edition) Book , آموزش Hands-On Ensemble with R: راهنمای مبتدیان برای ترکیب قدرت الگوریتم های یادگیری ماشین با استفاده از تکنیک های گروه (نسخه انگلیسی) دانلود , buy آموزش Hands-On Ensemble with R: راهنمای مبتدیان برای ترکیب قدرت الگوریتم های یادگیری ماشین با استفاده از تکنیک های گروه (نسخه انگلیسی) , خرید کتاب آموزش Hands-On Ensemble with R: راهنمای مبتدیان برای ترکیب قدرت الگوریتم های یادگیری ماشین با استفاده از تکنیک های گروه (نسخه انگلیسی) , دانلود کتاب Hands-On Ensemble Learning with R: A beginner’s guide to combining the power of machine learning algorithms using ensemble techniques (English Edition) , کتاب Hands-On Ensemble Learning with R: A beginner’s guide to combining the power of machine learning algorithms using ensemble techniques (English Edition) , دانلود Hands-On Ensemble Learning with R: A beginner’s guide to combining the power of machine learning algorithms using ensemble techniques (English Edition) , خرید Hands-On Ensemble Learning with R: A beginner’s guide to combining the power of machine learning algorithms using ensemble techniques (English Edition) , خرید کتاب Hands-On Ensemble Learning with R: A beginner’s guide to combining the power of machine learning algorithms using ensemble techniques (English Edition) ,
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.