門脇大輔，阪田隆司，保坂桂佑，平松雄司『Kaggleで勝つデータ分析の技術』(技術評論社)
- 出版社サイト： https://gihyo.jp/book/2019/978-4-297-10843-4
- GitHubリポジトリ： https://github.com/ghmagazine/kagglebook
誤植情報のまとまったページを見つけられなかったので集めてみます。
まだ読み終えてないので読み終えたら問い合わせフォームからお知らせしようと思います。
他にも見つけた方はコメントか編集リクエストで教えてください。
| 頁 | 誤 | 正 |
|---|---|---|
| 2 | 図1.1の年齢と性別が逆 | |
| 90 | 与えられた学習データの目的関数の対数をとって変換し | 与えられた学習データの目的変数の対数をとって変換し |
| 172 | ユーザ過去の利用時間 | ユーザの過去の利用時間 |
| 189 | 歪んだ分布を持つ変数などを主成分分析に適用する | 歪んだ分布を持つ変数などに主成分分析を適用する |
| 218 | ハイパーパラメータによって学習の方法や速度、どれだけ複雑なモデルにするかを定め、これらはモデルの精度に影響します | ※誤植ではないが文章がなんか変 |
| 233 | それまでに作成した決定木の予測値を新しい決定木の予測値を加える | それまでに作成した決定木の予測値に新しい決定木の予測値を加える |
| 250 | input_shape=(train_x.shape[1],) |
input_shape=(tr_x.shape[1],) |
| 266 | 目的変数は$n_f$個の配列 | 目的変数は$n_{tr}$個の配列 |
| 313 | int(prms['max_depth']) |
int(params['max_depth']) |
| 319 | depthの最適化 | max_depthの最適化 |
| 320 | colsample_levelの最適化 | colsample_bylevelの最適化 |
| 329 | $x_n$は$x$の平均、$y_n$は$y$の平均 | $x_\mu$は$x$の平均、$y_\mu$は$y$の平均 |