Volume VII - Por que Modelos de Regressão Discordam
155 Páginas
Análise de um Dataset Imobiliário
Volume VII da Coleção
Introdução
Por que este livro não é sobre prever preço de imóvel, é sobre entender por que algoritmos diferentes, sobre o mesmo dado, discordam entre si.
Capítulo 1 — O Que os Dados Já Revelam, Antes de Qualquer Modelo: Assimetria, curtose, e heterocedasticidade detectadas só olhando o dado bruto, antes de qualquer algoritmo entrar em cena.
Capítulo 2 — Valores Ausentes, e a Redução para 15 Variáveis: Os três mecanismos de ausência de dado, e por que descartar ou imputar sem diagnóstico pode corromper o modelo silenciosamente.
Capítulo 3 — As Quinze Variáveis Escolhidas, e Por Quê: Cada variável final justificada por um tipo específico de desafio matemático, incluindo por que ordem numérica nem sempre significa distância uniforme.
Capítulo 4 — A Base da Comparação: Como Particionar os Dados: Por que medir erro só no treino pode inverter completamente qual algoritmo parece melhor.
Capítulo 5 — Mínimos Quadrados, Regularização, OLS e Gradient Descent: A fórmula fechada da Regressão Linear, destrinchada passo a passo, e por que multicolinearidade a torna instável.
Capítulo 6 — Regressão Linear Aplicada: Multicolinearidade e Regularização: Testando, com dado real do Ames, o quanto a interpretação de um coeficiente pode ficar comprometida, mesmo com previsão praticamente intacta.
Capítulo 7 — Árvore de Decisão para Regressão: Reduzindo Variância, Não Entropia: Por que árvore de regressão usa uma matemática diferente da árvore de classificação, e como isso muda o critério de divisão.
Capítulo 8 — Árvore de Decisão Aplicada ao Dataset de Ames: O overfitting extremo de uma árvore sem limite, e por que "Bairro" parece quase irrelevante, até você mudar a forma de codificá-lo.
Capítulo 9 — Random Forest, Muitas Árvores, Menos Variância: A fórmula que prova que combinar árvores tem um limite matemático, imposto pela correlação entre elas, não pela quantidade.
tmo enxerga o mesmo dado de um jeito diferente.
Capítulo 10 — Random Forest Aplicado ao Dataset de Ames: Testando a recomendação clássica de Breiman, e descobrindo que ela piora o resultado neste dataset específico.
Capítulo 11 — Gradient Boosting, Corrigindo Erros, Um Passo de Cada Vez: Por que uma árvore deliberadamente fraca, corrigida em sequência,
supera qualquer árvore forte isolada.
Capítulo 12 — Gradient Boosting Aplicado ao Dataset de Ames: A interação entre taxa de aprendizado e número de árvores, testada até encontrar a melhor combinação real.
Capítulo 13 — XGBoost, Um Ajuste Mais Fino do Ajuste: A segunda derivada da função de perda, e por que essa vantagem teórica às vezes não faz diferença nenhuma.
Capítulo 14 — XGBoost Aplicado ao Dataset de Ames: Por que o algoritmo mais popular em competição perdeu para "Gradient Boosting" comum, e quando essa situação se inverte.
Capítulo 15 — Outliers e Vazamento de Dados: Dois Erros Diferentes, Duas Correções DiferentesComo distinguir imóvel genuinamente anômalo de imóvel só extremo, e como detectar vazamento que nenhuma métrica agregada revela.
Capítulo 16 — Feature Engineering, Quando Combinar Variáveis Vale Mais: Por que combinação linear não ajuda modelo linear nenhum, e por que interação multiplicativa ajuda todos, em graus diferentes.
Capítulo 17 — Dados Não Estacionários: Quando o Passado Deixa de Prever o FuturoUsando a crise de 2008 para testar qual algoritmo generaliza melhor quando o regime econômico muda.
Capítulo 18 — Heterocedasticidade Revisitada: Diagnóstico e Correção: Por que a correção estatística clássica resolve só metade do problema, deixando a desigualdade real de erro intacta.
Capítulo 19 — A Comparação Final: Por Que os Cinco Algoritmos Discordam: Todos os achados anteriores reunidos numa única explicação matemática de por que cada algori
R$ 20,00
Volume VII - Por que Modelos de Regressão Discordam
155 Páginas
Análise de um Dataset Imobiliário
Volume VII da Coleção
Introdução
Por que este livro não é sobre prever preço de imóvel, é sobre entender por que algoritmos diferentes, sobre o mesmo dado, discordam entre si.
Capítulo 1 — O Que os Dados Já Revelam, Antes de Qualquer Modelo: Assimetria, curtose, e heterocedasticidade detectadas só olhando o dado bruto, antes de qualquer algoritmo entrar em cena.
Capítulo 2 — Valores Ausentes, e a Redução para 15 Variáveis: Os três mecanismos de ausência de dado, e por que descartar ou imputar sem diagnóstico pode corromper o modelo silenciosamente.
Capítulo 3 — As Quinze Variáveis Escolhidas, e Por Quê: Cada variável final justificada por um tipo específico de desafio matemático, incluindo por que ordem numérica nem sempre significa distância uniforme.
Capítulo 4 — A Base da Comparação: Como Particionar os Dados: Por que medir erro só no treino pode inverter completamente qual algoritmo parece melhor.
Capítulo 5 — Mínimos Quadrados, Regularização, OLS e Gradient Descent: A fórmula fechada da Regressão Linear, destrinchada passo a passo, e por que multicolinearidade a torna instável.
Capítulo 6 — Regressão Linear Aplicada: Multicolinearidade e Regularização: Testando, com dado real do Ames, o quanto a interpretação de um coeficiente pode ficar comprometida, mesmo com previsão praticamente intacta.
Capítulo 7 — Árvore de Decisão para Regressão: Reduzindo Variância, Não Entropia: Por que árvore de regressão usa uma matemática diferente da árvore de classificação, e como isso muda o critério de divisão.
Capítulo 8 — Árvore de Decisão Aplicada ao Dataset de Ames: O overfitting extremo de uma árvore sem limite, e por que "Bairro" parece quase irrelevante, até você mudar a forma de codificá-lo.
Capítulo 9 — Random Forest, Muitas Árvores, Menos Variância: A fórmula que prova que combinar árvores tem um limite matemático, imposto pela correlação entre elas, não pela quantidade.
tmo enxerga o mesmo dado de um jeito diferente.
Capítulo 10 — Random Forest Aplicado ao Dataset de Ames: Testando a recomendação clássica de Breiman, e descobrindo que ela piora o resultado neste dataset específico.
Capítulo 11 — Gradient Boosting, Corrigindo Erros, Um Passo de Cada Vez: Por que uma árvore deliberadamente fraca, corrigida em sequência,
supera qualquer árvore forte isolada.
Capítulo 12 — Gradient Boosting Aplicado ao Dataset de Ames: A interação entre taxa de aprendizado e número de árvores, testada até encontrar a melhor combinação real.
Capítulo 13 — XGBoost, Um Ajuste Mais Fino do Ajuste: A segunda derivada da função de perda, e por que essa vantagem teórica às vezes não faz diferença nenhuma.
Capítulo 14 — XGBoost Aplicado ao Dataset de Ames: Por que o algoritmo mais popular em competição perdeu para "Gradient Boosting" comum, e quando essa situação se inverte.
Capítulo 15 — Outliers e Vazamento de Dados: Dois Erros Diferentes, Duas Correções DiferentesComo distinguir imóvel genuinamente anômalo de imóvel só extremo, e como detectar vazamento que nenhuma métrica agregada revela.
Capítulo 16 — Feature Engineering, Quando Combinar Variáveis Vale Mais: Por que combinação linear não ajuda modelo linear nenhum, e por que interação multiplicativa ajuda todos, em graus diferentes.
Capítulo 17 — Dados Não Estacionários: Quando o Passado Deixa de Prever o FuturoUsando a crise de 2008 para testar qual algoritmo generaliza melhor quando o regime econômico muda.
Capítulo 18 — Heterocedasticidade Revisitada: Diagnóstico e Correção: Por que a correção estatística clássica resolve só metade do problema, deixando a desigualdade real de erro intacta.
Capítulo 19 — A Comparação Final: Por Que os Cinco Algoritmos Discordam: Todos os achados anteriores reunidos numa única explicação matemática de por que cada algori
R$ 20,00