Statistical Learning from a Regression Perspective

Statistisches Lernen aus der Perspektive der Regression befasst sich mit Anwendungen des statistischen Lernens, bei denen die bedingte Verteilung der Antwortvariablen bei einer Reihe von Prädiktoren im Mittelpunkt des Interesses steht und bei denen es wichtig ist, zu beschreiben, wie die Prädiktoren mit der Antwort zusammenhängen. In erster Näherung kann dies als eine Erweiterung der nichtparametrischen Regression betrachtet werden. Zu den untersuchten statistischen Lernverfahren gehören Bagging, Random Forests, Boosting und Support Vector Machines. Die Antwortvariablen können quantitativ oder kategorisch sein.

Reale Anwendungen werden hervorgehoben, insbesondere solche mit praktischen Auswirkungen. Ein wichtiges Thema ist die Notwendigkeit, asymmetrische Kosten im Anpassungsprozess explizit zu berücksichtigen. Zum Beispiel können in manchen Situationen falsch positive Ergebnisse weitaus weniger kostspielig sein als falsch negative. Ein weiteres wichtiges Thema ist, dass Modellierungsentscheidungen nicht automatisch an einen Anpassungsalgorithmus abgetreten werden sollten. In vielen Fällen sollte das Fachwissen über den formalen Anpassungskriterien stehen. Ein weiteres wichtiges Thema ist, die Grenzen der eigenen Daten zu erkennen und keine statistischen Lernverfahren anzuwenden, die mehr verlangen, als die Daten liefern können.

Das Material richtet sich an Studenten der Sozial- und Biowissenschaften sowie an Forscher, die statistische Lernverfahren auf wissenschaftliche und politische Probleme anwenden wollen. Intuitive Erklärungen und visuelle Darstellungen stehen im Vordergrund. Alle enthaltenen Analysen werden in R durchgeführt.

Bucheinband-Typ:

Hardcover

Unterstützte Sprachen:

Englisch

Geschrieben von:

Richard A. Berk

Typ:

Papierbuch

Anzahl der Seiten:

360 Seiten

Veröffentlicher:

Springer New York, NY

Freigabedatum (TT/MM/JJ):

31/07/2008

Editionstyp:

Erste Ausgabe

International Standard Book Number (ISBN):

9780387775005