NIEPARAMETRYCZNA METODA DYSKRYMINACJI I REGRESJI GATNAR E. Księgarnia

Praca składa się z dziesięciu rozdziałów. Pierwszy poświęcono prezentacji ogólnej postaci modelu, który jest rozwiązany w książce. Drugi rozdział zawiera omówienie metody rekurencyjnego podziału, której graficzną prezentacją są drzewa klasyfikacyjne i regresyjne. Podano w nim pełny algorytm metody, podstawowe definicje teorii grafów oraz krótką charakterystykę zalet tej metody.

Rozdziały od trzeciego do ósmego włącznie poświęcono wyczerpującemu omówieniu poszczególnych kroków algorytmu tworzenia drzew klasyfikacyjnych. W rozdziale trzecim Czytelnik znajdzie charakterystykę metod doboru zmiennych niezależnych do modelu dyskryminacyjnego. Przedstawiono w nim definicje oraz własności 12 podstawowych miar wykorzystywanych w tym celu.

W czwartym rozdziale omówiono sposoby określenia liczby segmentów, na jakie dzieli się przestrzeń cech w każdym etapie działania metody. W przypadku zmiennych jakościowych chodzi tutaj o łączenie wartości nominalnych w zbiory, a w przypadku zmiennych ilościowych - o dyskretyzację zbioru ich wartości. Ten ostatni problem jest wyjątkowo złożony, gdyż wymaga określenia zarówno liczby przedziałów, jak i ich granic.

Rozdział piąty w całości poświęcono metodom podziału, w których wykorzystuje się kombinacje zmiennych niezależnych. W przypadku zmiennych ilościowych chodzi tu o ich kombinacje liniowe, a w przypadku zmiennych jakościowych o ich koniunkcje. W sensie geometrycznym oznacza to dzielenie wielowymiarowej przestrzeni cech hiperpłaszczyznami ukośnymi względem osi współrzędnych.

W rozdziale szóstym znajduje się charakterystyka sposobów zakończenia podziału (reguły stopu) oraz określenia wartości zmiennej zależnej dla podzbiorów, które nie są homogeniczne. Ponadto omówiono w nim 6 miar oceniających jakość uzyskanego modelu dyskryminacyjnego w postaci drzewa, z których najważniejsza jest wielkość błędu klasyfikacji. Omówiono także definicję kosztów błędnej klasyfikacji oraz rolę, jaką odgrywają one w procesie konstruowania modelu.

Ostatni etap procesu budowy drzewa klasyfikacyjnego przedstawiono w rozdziale siódmym. Jest to wybór właściwej postaci modelu, tj. rozmiarów i kształtu drzewa. Podstawowym kryterium jest wielkość błędu klasyfikacji, chociaż nie mniejsze znaczenie ma także złożoność modelu. Stosowane w tym celu techniki to przycinanie krawędzi drzewa, skracanie ich długości oraz łączenie wielu modeli.

Z kolei rozdział ósmy poświęcono technikom postępowania z obiektami, których niektóre wartości cech nie są znane. Zwykle dla takich obiektów tworzy się oddzielny zbiór uczący lub stosuje się dzielenie w oparciu o tzw. cechy zastępcze. Rozważana w tym rozdziale sytuacja dotyczy obiektów ze zbioru uczącego oraz ze zbioru testowego.

Rozdział dziewiąty w całości obejmuje tematykę zastosowania metody rekurencyjnego podziału w regresji, tj. tworzenia drzew regresyjnych. Pokazano w nim specyficzne sposoby mierzenia jakości podziału, określania wartości zmiennej zależnej itd. Znajduje się tam także omówienie adaptacyjnej metody MARS, która wykorzystuje krzywe składane (funkcje segmentowe).

Ostatni, dziesiąty, rozdział książki zawiera krótką historię rozwoju metody rekurencyjnego podziału oraz charakterystykę najważniejszych, dostępnych na rynku, programów komputerowych.

Bardzo obszerna bibliografia przedmiotu obejmuje przeszło 200 najważniejszych pozycji z literatury światowej, wydanych do końca 1999 roku.

Treść książki jest ilustrowana wieloma przykładami, w których wykorzystano powszechnie uznane i ogólnodostępne zbiory danych. Pozwalają one lepiej zrozumieć charakter rozważanych zagadnień, a ponadto dowodzą praktycznej przydatności omawianych metod.

183 strony

Po otrzymaniu zamówienia poinformujemy,
czy wybrany tytuł polskojęzyczny lub anglojęzyczny jest aktualnie na półce księgarni.