Прогнозное моделирование в IBM SPSS Statistics, R и Python : метод деревьев решений и случайный лес

Содержание книги "Прогнозное моделирование в IBM SPSS Statistics, R и Python : метод деревьев решений и случайный лес"

От рецензента
Предисловие
Глава 1. Введение в метод деревьев решений
1.1. Введение в методологию деревьев решений
1.2. Преимущества и недостатки деревьев решений
1.3. Задачи, выполняемые с помощью деревьев решений
Вопросы к главе 1
Часть I. ПОСТРОЕНИЕ ДЕРЕВЬЕВ РЕШЕНИЙ И СЛУЧАЙНОГО ЛЕСА В IBM SPSS STATISTICS
Глава 2. Основы прогнозного моделирования с помощью деревьев рещений CHAID
Глава 3. Продвинутое моделирование с помощью деревьев решений CHAID
Глава 4. Построение деревьев решений CRT и QUEST
Глава 5. Редактор дерева
Глава 6. Построение случайного леса
Часть II. ПОСТРОЕНИЕ ДЕРЕВЬЕВ РЕШЕНИЙ И СЛУЧАЙНОГО ЛЕСА В R И PYTHON
Глава 7. Построение деревьев решений CHAID с помощью пакета R CHAID
Глава 8. Построение деревьев решений CRT с помощью пакета R rpart
Глава 9. Построение случайного леса с помощью пакета R randomForest
Глава 10. Построение случайного леса с помощью пакета R ranger
Глава 11. Построение распределенного случайного леса с помощью пакета R h2o
Глава 12. Построение случайного леса в Python
Приложение 1. Предварительная подготовка данных в Python с помощью библиотеки pandas
Приложение 2. Предварительная подготовка данных в R
Приложение 3. Визуализация данных в Python с помощью библиотек matplotlib, seaborn и plotly
Приложение 4. Построение ROC-кривой и вычисление AUC вручную
Приложение 5. Декомпозиция прогнозов дерева решений и случайного леса с помощью питоновского пакета treeinterpreter для улучшения интерпретабельности
Ключи к вопросам
Библиографический список
Предметный указатель