Andere Kunden interessierten sich auch für
![Modern Multivariate Statistical Techniques]( "Modern Multivariate Statistical Techniques")
Modern Multivariate Statistical Techniques89,99 €![Modern Multivariate Statistical Techniques]( "Modern Multivariate Statistical Techniques")
Modern Multivariate Statistical Techniques64,99 €![The Elements of Statistical Learning]( "The Elements of Statistical Learning")
The Elements of Statistical Learning71,99 €![Neuere Verfahren der nichtparametrischen Statistik]( "Neuere Verfahren der nichtparametrischen Statistik")
Neuere Verfahren der nichtparametrischen Statistik54,99 €![Statistical Learning from a Regression Perspective]( "Statistical Learning from a Regression Perspective")
Statistical Learning from a Regression Perspective59,99 €![Logistische Regression]( "Logistische Regression")
Logistische Regression14,99 €![Statistical Learning from a Regression Perspective]( "Statistical Learning from a Regression Perspective")
Statistical Learning from a Regression Perspective74,99 €
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.