应用预测建模

　　这是一本专注于预测建模的数据分析书，意在为实践者提供预测建模过程的指导，比如如何进行数据预处理、模型调优、预测变量重要性度量、变量选择等。读者可以从中学到许多建模方法以及提高对许多常用的、现代的有效模型的认识，如线性回归、非线性回归和分类模型，涉及树方法、支持向量机等。第10章和第17章分别研究混凝土混合物的抗压强度和作业调度两个案例。作者重实际应用，轻数学理论，从实际数据出发，结合开源软件R语言来求解实际问题，详细给出R代码和处理的步骤。R包AppliedPredictiveModeling包含书中使用的数据，以及可以用于重复书中每一章分析的R代码，让读者能在一定精度范围内重复本书的结果，并自然地将书中的预测建模方法应用到自己的数据上。章后附有习题，方便读者巩固所学。这本业界互相推荐的好书，适合所有数据分析人员阅读。

暂缺《应用预测建模》作者简介

目录译者序前言第1章导论11预测与解释12预测模型的关键部分13专业术语14实例数据集和典型数据场景15概述16符号第一部分一般策略第2章预测建模过程简介21案例分析：预测燃油效能22主题23总结第3章数据预处理31案例分析：高内涵筛选中的细胞分组32单个预测变量数据变换33多个预测变量数据变换34处理缺失值35移除预测变量36增加预测变量37区间化预测变量38计算习题第4章过度拟合与模型调优41过度拟合的问题42模型调优43数据分割44重抽样技术45案例分析：信用评分46选择调优参数值47数据划分建议48不同模型间的选择49计算习题第二部分回归模型第5章衡量回归模型的效果51模型效果的定量度量52方差偏差的权衡53计算第6章线性回归及其扩展61案例分析：定量构效关系建模62线性回归63偏最小二乘法64惩罚模型65计算习题第7章非线性回归模型71神经网络72多元自适应回归样条73支持向量机74K近邻75计算习题第8章回归树与基于规则的模型81简单回归树82回归模型树83基于规则的模型84装袋树85随机森林86助推法87Cubist88计算习题第9章溶解度模型总结第10章案例研究：混凝土混合物的抗压强度101模型构建策略102模型性能103优化抗压强度104计算第三部分分类模型第11章分类模型的效果度量111类预测112评估预测类113评估类概率114计算第12章判别分析和其他线性分类模型121案例分析：预测是否成功申请经费122逻辑回归123线性判别分析124偏最小二乘判别分析125惩罚模型126最近收缩质心127计算习题第13章非线性分类模型131非线性判别分析132神经网络133灵活判别分析134支持向量机135K近邻 136朴素贝叶斯137计算习题第14章分类树与基于规则的模型141基本的分类树142基于规则的模型143装袋决策树144随机森林145助推法146C50147比较两种分类预测变量编码方式148计算习题第15章经费申请模型的总结第16章对严重类失衡的补救方法161案例分析: 预测房车保险所有权 162类失衡的影响163模型调优164选择截点165调整先验概率166不等案例权重167抽样方法168成本敏感度训练169计算习题第17章案例研究：作业调度171数据切分和模型策略172结果173计算第18章衡量预测变量重要性181数值结果变量182分类结果变量183其他方法184计算习题第19章特征选择介绍191使用无信息预测变量的结果192减少预测变量个数的方法193绕封法194过滤法195选择偏差196案例分析：预测认知损伤197计算习题第20章影响模型表现的因素201第Ⅲ类错误202结果变量的测量误差203预测变量的测量误差204连续变量离散化205模型预测何时是可信的206大样本的影响207计算习题附录附录A各种模型的总结附录BR语言介绍附录C值得关注的网站参考文献