Assessing and Improving Prediction and Classification: Theory and Algorithms in C++

Autor: Timothy Masters | Jahr: 2018 | Verlag: Apress

Kernthesen

• Prediction und Classification Modelle müssen rigoros bewertet werden — Accuracy allein ist unzureichend
• Theorie und praktische Implementierung in C++ ermöglichen effiziente, portable Algorithmen
• Overfitting ist das häufigste und gefährlichste Problem bei Vorhersagemodellen; rigorose Validierungsmethoden sind unerlässlich
• Statistische Tests und Algorithmen zum Verbessern der Modellgüte sind der Kern des wissenschaftlichen ML-Prozesses

Methoden & Konzepte

• Vorhersage-Bewertungsmetriken: RMSE, MAE, R², Information Coefficient für kontinuierliche Ziele
• Klassifikations-Metriken: Accuracy, Precision, Recall, F1, ROC/AUC — kontextabhängige Auswahl
• Overfitting-Erkennung: Cross-Validation, Train/Test-Split, Permutation-Tests
• Verbesserungs-Algorithmen: Feature-Selektion, Regularisierung, Ensemble-Methoden in C++
• Statistische Signifikanztests: Bootstrapping, Monte Carlo für Modell-Validierung
• C++ Implementierungen für Performance-kritische Anwendungen

Schlüsselzitate

"Assessing a model's performance is not just a final step — it must be integrated into every stage of model development to avoid the pitfalls of overfitting."

Bewertung

Für wen: Quantitative Analysten mit C++-Kenntnissen; ML-Praktiker, die ihre Modellvalidierung verbessern wollen; Forscher in Financial ML

Stärken: Rigoros und praxisnah; C++-Code für Performance; breite Abdeckung von Bewertungsmetriken; 2018 aktuell

Schwächen: C++ limitiert Reichweite (Python-Mainstream); Handelsanwendungen nur implizit; hochspezialisiert