Recenzii ale cititorilor
Rezumat:Cartea este bine apreciată pentru conținutul său privind modelarea ordonată în R, oferind perspective valoroase și sfaturi practice din partea unor autori cu experiență. Cu toate acestea, îi lipsește imprimarea color, ceea ce unii cititori au considerat a fi un dezavantaj, și ar putea fi dificil de urmărit din cauza omiterii numelor de pachete în apelurile funcțiilor.
Avantaje:Conținut valoros care consolidează cunoștințele de programare R, sfaturi practice privind modelarea, recomandat atât începătorilor, cât și profesioniștilor cu experiență, limbaj ușor de înțeles, abordează capcane importante în modelare.
Dezavantaje:Lipsește tipărirea color, ceea ce dăunează prezentării; omiterea numelor de pachete în apelurile funcțiilor face depanarea mai dificilă.
(pe baza a 6 recenzii ale cititorilor)
Titlul original:
Tidy Modeling with R: A Framework for Modeling in the Tidyverse
Conținutul cărții:
Porniți cu tidymodels, o colecție de pachete R pentru modelare și învățare automată. Fie că sunteți la început sau aveți ani de experiență în modelare, această introducere practică arată analiștilor de date, analiștilor de afaceri și cercetătorilor de date cum cadrul tidymodels oferă o abordare consecventă și flexibilă pentru munca dumneavoastră.
Inginerii RStudio Max Kuhn și Julia Silge demonstrează modalități de a crea modele concentrându-se pe un dialect R numit tidyverse. Software-ul care adoptă principiile tidyverse împărtășește atât o filosofie de proiectare de nivel înalt, cât și o gramatică și structuri de date de nivel scăzut, astfel încât învățarea unei părți a ecosistemului facilitează învățarea următoarei părți. Veți înțelege de ce cadrul tidymodels a fost construit pentru a fi utilizat de o gamă largă de oameni.
Cu această carte, veți:
⬤ Învățați pașii necesari pentru a construi un model de la început până la sfârșit.
⬤ Înțelegeți cum să utilizați fluent diferite abordări de modelare și inginerie a caracteristicilor.
⬤ Examinați opțiunile pentru a evita capcanele comune ale modelării, cum ar fi supraajustarea.
⬤ Învățați metode practice pentru a vă pregăti datele pentru modelare.
⬤ Reglați modelele pentru o performanță optimă.
⬤ Utilizați bunele practici statistice pentru a compara, evalua și alege între modele.
