Praktische Statistik für Data Scientists. Peter Bruce

Скачать книгу

Zusammenfassung

       4Regression und Vorhersage

       Lineare Einfachregression

       Die Regressionsgleichung

       Angepasste Werte und Residuen

       Die Methode der kleinsten Quadrate

       Unterschied zwischen Vorhersage- und erklärenden Modellen

       Weiterführende Literatur

       Multiple lineare Regression

       Beispiel: Die King-County-Immobiliendaten

       Das Modell bewerten

       Kreuzvalidierung

       Modellauswahl und schrittweise Regression

       Gewichtete Regression

       Weiterführende Literatur

       Vorhersage mittels Regression

       Risiken bei der Extrapolation

       Konfidenz- und Prognoseintervalle

       Regression mit Faktorvariablen

       Darstellung durch Dummy-Variablen

       Faktorvariablen mit vielen Stufen

       Geordnete Faktorvariablen

       Interpretieren der Regressionsgleichung

       Korrelierte Prädiktorvariablen

       Multikollinearität

       Konfundierende Variablen

       Interaktions- und Haupteffekte

       Regressionsdiagnostik

       Ausreißer

       Einflussreiche Beobachtungen

       Heteroskedastische, nicht normalverteilte und korrelierte Fehler

       Partielle Residuendiagramme und Nichtlinearität

       Polynomiale und Spline-Regression

       Polynome

       Splines

       Verallgemeinerte additive Modelle

       Weiterführende Literatur

       Zusammenfassung

       5Klassifikation

       Naiver Bayes-Klassifikator

       Warum eine exakte bayessche Klassifikation nicht praktikabel ist

       Die naive Lösung

       Numerische Prädiktorvariablen

       Weiterführende Literatur

       Diskriminanzanalyse

       Kovarianzmatrix

       Lineare Diskriminanzanalyse nach Fisher

       Ein einfaches Beispiel

       Weiterführende Literatur

       Logistische Regression

       Logistische Antwortfunktion

Скачать книгу