Tidy Modeling with R: A Framework for Modeling in the Tidyverse (Modelización ordenada con R: un marco para la modelización en el Tidyverse)

Opiniones de los lectores

El libro está bien considerado por su contenido sobre modelado ordenado en R, que ofrece valiosas ideas y consejos prácticos de autores experimentados. Sin embargo, carece de impresión en color, lo que algunos lectores consideraron un inconveniente, y puede resultar difícil de seguir debido a la omisión de nombres de paquetes en las llamadas a funciones.

Contenido valioso que refuerza el conocimiento de la programación en R, ideas prácticas sobre modelado, recomendado tanto para principiantes como para profesionales experimentados, lenguaje fácil de entender, aborda importantes escollos en el modelado.

Carece de impresión en color, lo que desmerece la presentación; la omisión de nombres de paquetes en las llamadas a funciones dificulta la depuración.

(basado en 6 opiniones de lectores)

Título original:

Tidy Modeling with R: A Framework for Modeling in the Tidyverse

Contenido del libro:

Póngase en marcha con tidymodels, una colección de paquetes de R para modelado y aprendizaje automático. Tanto si está empezando como si tiene años de experiencia en modelado, esta práctica introducción muestra a los analistas de datos, analistas de negocio y científicos de datos cómo el marco tidymodels ofrece un enfoque coherente y flexible para su trabajo.

Los ingenieros de RStudio Max Kuhn y Julia Silge muestran formas de crear modelos centrándose en un dialecto de R llamado tidyverse. El software que adopta los principios del tidyverse comparte tanto una filosofía de diseño de alto nivel como una gramática y estructuras de datos de bajo nivel, por lo que aprender una pieza del ecosistema facilita el aprendizaje de la siguiente. Entenderá por qué el framework tidymodels ha sido construido para ser utilizado por un amplio abanico de personas.

Con este libro, usted:

⬤ Aprenderás los pasos necesarios para construir un modelo de principio a fin.

⬤ Entender cómo utilizar diferentes enfoques de modelado e ingeniería de características con fluidez.

⬤ Examinar las opciones para evitar errores comunes de modelado, como el sobreajuste.

⬤ Aprender métodos prácticos para preparar sus datos para el modelado.

⬤ Afinar los modelos para un rendimiento óptimo.

⬤ Utilizar buenas prácticas estadísticas para comparar, evaluar y elegir entre modelos.