• Практическое применение методов машинного обучения на базе популярных статистических пакетов IBM SPSS Statistics, R и Python
• Строительство и интерпретация дерева решений и случайного леса
• Оценка дискриминирующей способности полученных моделей
• Улучшение модели дерева с помощью процедуры обрезки ветвей (прунинга)
• Оптимизация модели логистической регрессии, используя информацию дерева и случайного леса
• Навыки оптимального конструирования признаков
• Улучшение модели случайного леса с помощью автоматической автоматизации параметров
• Применение правил классификации/прогноза, полученных с помощью дерева, к новым данным
Второе издание книги дополнено главами о применении методов машинного обучения на базе Python. Данная книга представляет собой практическое руководство по применению метода деревьев решений и случайного леса для задач сегментации, классификации и прогнозирования. Каждый раздел книги сопровождается практическим примером. Кроме того, книга содержит программный код SPSS Syntax, R и Python, позволяющий полностью автоматизировать процесс построения прогнозных моделей. Автором обобщены лучшие практики использования деревьев решений и случайного леса от таких компаний, как Citibank N.A., Transunion и DBS Bank.
Издание будет интересно маркетологам, риск-аналитикам и другим специалистам, занимающимся разработкой и внедрением прогнозных моделей.
