應用預測建模

譯者序
前言
第1章導論
1.1預測與解釋
1.2預測模型的關鍵部分
1.3專業術語
1.4實例數據集和典型數據場景
1.5概述
1.6符號
第一部分一般策略
第2章預測建模過程簡介
2.1案例分析：預測燃油效能
2.2主題
2.3總結
第3章數據預處理
3.1案例分析：高內涵篩選中的細胞分組
3.2單個預測變量數據變換
3.3多個預測變量數據變換
3.4處理缺失值
3.5移除預測變量
3.6增加預測變量
3.7區間化預測變量
3.8計算
習題
第4章過度擬合與模型調優
4.1過度擬合的問題
4.2模型調優
4.3數據分割
4.4重抽樣技術
4.5案例分析：信用評分
4.6選擇調優參數值
4.7數據划分建議
4.8不同模型間的選擇
4.9計算
習題
第二部分回歸模型
第5章衡量回歸模型的效果
5.1模型效果的定量度量
5.2方差偏差的權衡
5.3計算
第6章線性回歸及其擴展
6.1案例分析：定量構效關系建模
6.2線性回歸
6.3偏最小二乘法
6.4懲罰模型
6.5計算
習題
第7章非線性回歸模型
7.1神經網絡
7.2多元自適應回歸樣條
7.3支持向量機
7.4K近鄰
7.5計算
習題
第8章回歸樹與基於規則的模型
8.1簡單回歸樹
8.2回歸模型樹
8.3基於規則的模型
8.4裝袋樹
8.5隨機森林
8.6助推法
8.7Cubist
8.8計算
習題
第9章溶解度模型總結
第10章案例研究：混凝土混合物的抗壓強度
10.1模型構建策略
10.2模型性能
10.3優化抗壓強度
10.4計算
第三部分分類模型
第11章分類模型的效果度量
11.1類預測
11.2評估預測類
11.3評估類概率
11.4計算
第12章判別分析和其他線性分類模型
12.1案例分析：預測是否成功申請經費
12.2邏輯回歸
12.3線性判別分析
12.4偏最小二乘判別分析
12.5懲罰模型
12.6最近收縮質心
12.7計算
習題
第13章非線性分類模型
13.1非線性判別分析
13.2神經網絡
13.3靈活判別分析
13.4支持向量機
13.5K近鄰
13.6朴素貝葉斯
13.7計算
習題
第14章分類樹與基於規則的模型
14.1基本的分類樹
14.2基於規則的模型
14.3裝袋決策樹
14.4隨機森林
14.5助推法
14.6C5.0
14.7比較兩種分類預測變量編碼方式
14.8計算
習題
第15章經費申請模型的總結
第16章對嚴重類失衡的補救方法
16.1案例分析： 預測房車保險所有權
16.2類失衡的影響
16.3模型調優
16.4選擇截點
16.5調整先驗概率
16.6不等案例權重
16.7抽樣方法
16.8成本敏感度訓練
16.9計算
習題
第17章案例研究：作業調度
17.1數據切分和模型策略
17.2結果
17.3計算
第18章衡量預測變量重要性
18.1數值結果變量
18.2分類結果變量
18.3其他方法
18.4計算
習題
第19章特征選擇介紹
19.1使用無信息預測變量的結果
19.2減少預測變量個數的方法
19.3繞封法
19.4過濾法
19.5選擇偏差
19.6案例分析：預測認知損傷
19.7計算
習題
第20章影響模型表現的因素
20.1第Ⅲ類錯誤
20.2結果變量的測量誤差
20.3預測變量的測量誤差
20.4連續變量離散化
20.5模型預測何時是可信的
20.6大樣本的影響
20.7計算
習題
附錄
附錄A各種模型的總結
附錄BR語言介紹
附錄C值得關注的網站
參考文獻