دانلود کتاب Statistical learning from a regression perspective

ترجمه فارسی توضیحات (ترجمه ماشینی)

یادگیری آماری از دیدگاه رگرسیون

یادگیری آماری از منظر رگرسیون کاربردهای یادگیری آماری را زمانی در نظر می‌گیرد که علاقه بر توزیع شرطی متغیر پاسخ متمرکز باشد، با توجه به مجموعه‌ای از پیش‌بینی‌کننده‌ها، و زمانی که مشخص کردن چگونگی توصیف آن مهم است. پیش بینی کننده ها با پاسخ مرتبط هستند. به عنوان اولین تقریب، این را می توان به عنوان گسترش رگرسیون ناپارامتریک در نظر گرفت. از جمله رویه‌های یادگیری آماری مورد بررسی می‌توان به کیسه‌بندی، جنگل‌های تصادفی، تقویت و ماشین‌های بردار پشتیبانی اشاره کرد. متغیرهای پاسخ ممکن است کمی یا طبقه ای باشند.

بر کاربردهای واقعی، به ویژه آنهایی که مفاهیم کاربردی دارند، تأکید می شود. یکی از موضوعات مهم نیاز به در نظر گرفتن صریح هزینه های نامتقارن در فرآیند اتصال است. به عنوان مثال، در برخی شرایط ممکن است هزینه های مثبت کاذب بسیار کمتر از منفی های کاذب باشد. موضوع مهم دیگر این است که به طور خودکار تصمیمات مدلسازی را به یک الگوریتم برازش واگذار نکنید. در بسیاری از تنظیمات، دانش موضوعی باید بر معیارهای تناسب رسمی غلبه کند. موضوع مهم دیگر قدردانی از محدودیت داده‌های فرد و عدم استفاده از روش‌های یادگیری آماری است که به بیش از آنچه که داده‌ها می‌توانند نیاز داشته باشند، نیاز دارند.

این مطالب برای دانشجویان تحصیلات تکمیلی در علوم اجتماعی و زیستی و برای محققانی که می‌خواهند روش‌های یادگیری آماری را برای مشکلات علمی و سیاست‌گذاری اعمال کنند، نوشته شده است. توضیحات شهودی و بازنمایی های بصری برجسته هستند. همه تجزیه و تحلیل های ارائه شده در R انجام شده است.

ریچارد برک، استاد ممتاز آمار از گروه آمار دانشگاه UCLA و در حال حاضر استاد دانشگاه پنسیلوانیا در بخش آمار و گروه است. جرم شناسی او یکی از اعضای منتخب انجمن آمار آمریکا و انجمن آمریکایی پیشرفت علم است و به عنوان حرفه ای با تعدادی از سازمان ها مانند کمیته آمارهای کاربردی و نظری برای شورای ملی تحقیقات و هیئت مدیره خدمت کرده است. شورای تحقیقات علوم اجتماعی تحقیقات او در طیف وسیعی از کاربردها در علوم اجتماعی و طبیعی است.

Statistical learning from a regression perspective

Statistical Learning from a Regression Perspective considers statistical learning applications when interest centers on the conditional distribution of the response variable, given a set of predictors, and when it is important to characterize how the predictors are related to the response. As a first approximation, this is can be seen as an extension of nonparametric regression. Among the statistical learning procedures examined are bagging, random forests, boosting, and support vector machines. Response variables may be quantitative or categorical.

Real applications are emphasized, especially those with practical implications. One important theme is the need to explicitly take into account asymmetric costs in the fitting process. For example, in some situations false positives may be far less costly than false negatives. Another important theme is to not automatically cede modeling decisions to a fitting algorithm. In many settings, subject-matter knowledge should trump formal fitting criteria. Yet another important theme is to appreciate the limitation of one’s data and not apply statistical learning procedures that require more than the data can provide.

The material is written for graduate students in the social and life sciences and for researchers who want to apply statistical learning procedures to scientific and policy problems. Intuitive explanations and visual representations are prominent. All of the analyses included are done in R.

Richard Berk is Distinguished Professor of Statistics Emeritus from the Department of Statistics at UCLA and currently a Professor at the University of Pennsylvania in the Department of Statistics and in the Department of Criminology. He is an elected fellow of the American Statistical Association and the American Association for the Advancement of Science and has served in a professional capacity with a number of organizations such as the Committee on Applied and Theoretical Statistics for the National Research Council and the Board of Directors of the Social Science Research Council. His research has ranged across a variety of applications in the social and natural sciences.