國立虎尾科技大學 |

Verbesserung von Klassifikationsverfahren = Informationsgehalt der k-Nächsten-Nachbarn nutzen /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	Verbesserung von Klassifikationsverfahren/ von Dominik Koch.
其他題名:	Informationsgehalt der k-Nächsten-Nachbarn nutzen /
作者:	Koch, Dominik.
面頁冊數:	XXII, 224 S. 278 Abb.online resource. :
Contained By:	Springer Nature eBook
標題:	Statistics . -
電子資源:	https://doi.org/10.1007/978-3-658-11476-3
ISBN:	9783658114763

Verbesserung von Klassifikationsverfahren = Informationsgehalt der k-Nächsten-Nachbarn nutzen /
Koch, Dominik.

Verbesserung von KlassifikationsverfahrenInformationsgehalt der k-Nächsten-Nachbarn nutzen /[electronic resource] :von Dominik Koch. - 1st ed. 2016. - XXII, 224 S. 278 Abb.online resource. - BestMasters,2625-3577. - BestMasters,.

Grundlagen der k-Nächsten-Nachbarn -- Vorstellung der zu erweiternden Klassifikationsverfahren -- Benchmarking anhand von simulierten Daten.- Anwendung der modifizierten Verfahren auf reale Datensätze.

Dominik Koch weist in seinen Studien nach, dass es mit Hilfe der k-Nächsten-Nachbarn möglich ist, die Ergebnisse anderer Klassifikationsverfahren so zu verbessern, dass sie wieder eine Konkurrenz zu dem meist dominierenden Random Forest darstellen. Das von Fix und Hodges entwickelte k-Nächste–Nachbarn-Verfahren ist eines der simpelsten und zugleich intuitivsten Klassifikationsverfahren. Nichtsdestotrotz ist es in den meisten Fällen in der Lage, ziemlich gute Klassifikationsergebnisse zu liefern. Diesen Informationsgehalt der k-Nächsten-Nachbarn kann man sich zu Nutze machen, um bereits etablierte Verfahren zu verbessern. In diesem Buch werden die Auswirkungen der k-Nächsten-Nachbarn auf den Boosting-Ansatz, Lasso und Random Forest in Bezug auf binäre Klassifikationsprobleme behandelt. Der Inhalt n Grundlagen der k-Nächsten-Nachbarn n Vorstellung der zu erweiternden Klassifikationsverfahren n Benchmarking anhand von simulierten Daten n Anwendung der modifizierten Verfahren auf reale Datensätze Die Zielgruppen · Dozierende und Studierende der Mathematik, insbesondere der Statistik Der Autor Dominik Koch absolvierte das Statistik-Studium der Ludwig-Maximilians-Universität in München als Jahrgangsbester. Seit 2013 ist er als statistischer Berater (Schwerpunkt: Automobilindustrie und Bankenbranche) tätig. Im Rahmen seiner Publikationstätigkeit ar beitet er auch weiterhin eng mit dem statistischen Institut der Ludwig-Maximilians-Universität zusammen.

ISBN: 9783658114763

Standard No.: 10.1007/978-3-658-11476-3doiSubjects--Topical Terms:

1253516
Statistics .

LC Class. No.: QA276-280

Dewey Class. No.: 519.5

Verbesserung von Klassifikationsverfahren = Informationsgehalt der k-Nächsten-Nachbarn nutzen /
LDR:02983nam a22003615i 4500 001 977220
003 DE-He213
005 20200712202437.0
007 cr nn 008mamaa
008 201211s2016 gw | s |||| 0|ger d
020 $a 9783658114763 $9 978-3-658-11476-3
024 7 $a 10.1007/978-3-658-11476-3 $2 doi
035 $a 978-3-658-11476-3
050 4 $a QA276-280
072 7 $a PBT $2 bicssc
072 7 $a MAT029000 $2 bisacsh
072 7 $a PBT $2 thema
082 0 4 $a 519.5 $2 23
100 1 $a Koch, Dominik. $e author. $4 aut $4 http://id.loc.gov/vocabulary/relators/aut $3 1271000
245 1 0 $a Verbesserung von Klassifikationsverfahren $h [electronic resource] : $b Informationsgehalt der k-Nächsten-Nachbarn nutzen / $c von Dominik Koch.
250 $a 1st ed. 2016.
264 1 $a Wiesbaden : $b Springer Fachmedien Wiesbaden : $b Imprint: Springer Spektrum, $c 2016.
300 $a XXII, 224 S. 278 Abb. $b online resource.
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
347 $a text file $b PDF $2 rda
490 1 $a BestMasters, $x 2625-3577
505 0 $a Grundlagen der k-Nächsten-Nachbarn -- Vorstellung der zu erweiternden Klassifikationsverfahren -- Benchmarking anhand von simulierten Daten.- Anwendung der modifizierten Verfahren auf reale Datensätze.
520 $a Dominik Koch weist in seinen Studien nach, dass es mit Hilfe der k-Nächsten-Nachbarn möglich ist, die Ergebnisse anderer Klassifikationsverfahren so zu verbessern, dass sie wieder eine Konkurrenz zu dem meist dominierenden Random Forest darstellen. Das von Fix und Hodges entwickelte k-Nächste–Nachbarn-Verfahren ist eines der simpelsten und zugleich intuitivsten Klassifikationsverfahren. Nichtsdestotrotz ist es in den meisten Fällen in der Lage, ziemlich gute Klassifikationsergebnisse zu liefern. Diesen Informationsgehalt der k-Nächsten-Nachbarn kann man sich zu Nutze machen, um bereits etablierte Verfahren zu verbessern. In diesem Buch werden die Auswirkungen der k-Nächsten-Nachbarn auf den Boosting-Ansatz, Lasso und Random Forest in Bezug auf binäre Klassifikationsprobleme behandelt. Der Inhalt n Grundlagen der k-Nächsten-Nachbarn n Vorstellung der zu erweiternden Klassifikationsverfahren n Benchmarking anhand von simulierten Daten n Anwendung der modifizierten Verfahren auf reale Datensätze Die Zielgruppen · Dozierende und Studierende der Mathematik, insbesondere der Statistik Der Autor Dominik Koch absolvierte das Statistik-Studium der Ludwig-Maximilians-Universität in München als Jahrgangsbester. Seit 2013 ist er als statistischer Berater (Schwerpunkt: Automobilindustrie und Bankenbranche) tätig. Im Rahmen seiner Publikationstätigkeit ar beitet er auch weiterhin eng mit dem statistischen Institut der Ludwig-Maximilians-Universität zusammen.
650 0 $a Statistics . $3 1253516
650 1 4 $a Statistics, general. $3 671463
710 2 $a SpringerLink (Online service) $3 593884
773 0 $t Springer Nature eBook
776 0 8 $i Printed edition: $z 9783658114756
830 0 $a BestMasters, $x 2625-3577 $3 1253531
856 4 0 $u https://doi.org/10.1007/978-3-658-11476-3
912 $a ZDB-2-SNA
950 $a Life Science and Basic Disciplines (German Language) (SpringerNature-11777)