Praktische Statistik für Data Scientists. Peter Bruce
Geordnete Faktorvariablen
Interpretieren der Regressionsgleichung
Korrelierte Prädiktorvariablen
Interaktions- und Haupteffekte
Heteroskedastische, nicht normalverteilte und korrelierte Fehler
Partielle Residuendiagramme und Nichtlinearität
Polynomiale und Spline-Regression
Verallgemeinerte additive Modelle
Warum eine exakte bayessche Klassifikation nicht praktikabel ist
Lineare Diskriminanzanalyse nach Fisher
Logistische Antwortfunktion und Logit-Funktion
Logistische Regression und verallgemeinerte lineare Modelle
Verallgemeinerte lineare Modelle
Vorhergesagte Werte aus der logistischen Regression
Interpretation der Koeffizienten und Odds-Ratios
Lineare und logistische Regression: Gemeinsamkeiten und Unterschiede
Das Modell prüfen und bewerten
Klassifikationsmodelle bewerten
Die Problematik seltener Kategorien
Relevanz, Sensitivität und Spezifität
Fläche unter der ROC-Kurve (AUC)
Strategien bei unausgewogenen Daten
Oversampling und Up/Down Weighting
6Statistisches maschinelles Lernen