-
Koszyk jest pusty
-
x
-
Koszyk jest pusty
-
x
-
-
-
Koszyk jest pusty
-
x
Do bezpłatnej dostawy brakuje -,--Darmowa dostawa!Suma 0,00 złCena uwzględnia rabaty -
- Kategorie
-
Modelowanie gęstości przestrzennej w 2D, 3D, 4D. Statystyka, ekonometria i uczenie maszynowe w R
Kompletny przewodnik po gęstości przestrzennej − od danych geolokalizowanych do decyzji. W erze rosnącej dostępności danych przestrzennych analiza gęstości staje się niezbędna do zrozumienia zarówno mobilności ludzi czy rozmieszczenia przedsiębiorstw, jak również wzorców społeczno-gospodarczych. Modelowanie gęstości przestrzennej − poprzez połączenie statystyki, ekonometrii i uczenia maszynowego − pomaga w odkrywaniu i interpretowaniu zjawisk w przestrzeni. W książce zaprezentowano 36 kluczowych narzędzi - od pomiaru gęstości globalnej i lokalnej, przez wykrywanie klastrów, aż po analizę rozkładów przestrzennych i modelowanie relacji. Każdą z metod zilustrowano realnymi przykładami opartymi na otwartych zbiorach danych, z gotowymi kodami w R, umożliwiając Czytelnikowi łatwe powtórzenie i zastosowanie każdej analizy we własnych badaniach lub projektach.
| Wysyłka w ciągu | 14 dni |
| Kod kreskowy | |
| ISBN | 978-83-8102-953-7 |
| EAN | 9788381029537 |
Kompletny przewodnik po gęstości przestrzennej − od danych geolokalizowanych do decyzji.
W erze rosnącej dostępności danych przestrzennych analiza gęstości staje się niezbędna do zrozumienia zarówno mobilności ludzi czy rozmieszczenia przedsiębiorstw, jak również wzorców społeczno-gospodarczych. Modelowanie gęstości przestrzennej − poprzez połączenie statystyki, ekonometrii i uczenia maszynowego − pomaga w odkrywaniu i interpretowaniu zjawisk w przestrzeni.
W książce zaprezentowano 36 kluczowych narzędzi - od pomiaru gęstości globalnej i lokalnej, przez wykrywanie klastrów, aż po analizę rozkładów przestrzennych i modelowanie relacji. Każdą z metod zilustrowano realnymi przykładami opartymi na otwartych zbiorach danych, z gotowymi kodami w R, umożliwiając Czytelnikowi łatwe powtórzenie i zastosowanie każdej analizy we własnych badaniach lub projektach.
Dlaczego warto sięgnąć po tę książkę?
• Kompleksowe podejście - statystyka, ekonometria i uczenie maszynowe w jednym przewodniku.
• 36 narzędzi analizy - od gęstości globalnej i lokalnej po wykrywanie klastrów i modelowanie relacji.
• Praktyczne przykłady - wszystkie analizy oparte na otwartych danych i gotowych kodach w R.
• Pełna powtarzalność badań - krok po kroku od danych źródłowych do wyników.
• Przystępny język - minimalna notacja matematyczna, narracyjny styl.
• Szerokie zastosowanie - od badań naukowych po planowanie przestrzenne i strategie rozwoju społeczno-gospodarczego.
• Dla różnych odbiorców - ekonomiści, geografowie, urbaniści, specjaliści ochrony środowiska, decydenci.
• Nowoczesne technologie - zastosowania w GeoAI i analizie danych przestrzennych.
Wprowadzenie 9
Rozdział 1 Gęstość przestrzenna - przegląd danych i modeli 13
1.1. Ramy analizy gęstości przestrzennej 13
1.2. Przegląd metod 21
1.3. Gęstość przestrzenna w naukach społecznych 34
Rozdział 2 Metody klastrowania w modelowaniu gęstości przestrzennej 43
2.1. K-średnich, samoorganizujące się mapy i hierarchiczne klastrowanie współrzędnych geograficznych 44
2.2. Szybkie klastrowanie gęstości (Quick Density Clustering, QDC) 56
2.3. DBSCAN (gęstościowe klastrowanie przestrzenne aplikacji z szumem) i jego rozszerzenia 65
2.3.1. DBSCAN w 2D 66
2.3.2. DBSCAN w 3D 71
2.3.3. Problemy z DBSCAN i jego rozszerzeniami (hierarchiczny DBSCAN, przestrzenno-czasowy DBSCAN) 74
2.4. LOF, GLOSH i OPTICS jako diagnostyka DBSCAN 80
2.4.1. Lokalny współczynnik wartości odstających (LOF) 82
2.4.2. Globalny i lokalny wynik odstający w hierarchii (GLOSH) 85
2.4.3. Porządkowanie punktów w celu identyfikacji struktury klastrów (OPTICS) 88
2.4.4. Analiza empiryczna miar diagnostyki LOF, GLOSH i OPTICS 89
2.5. Klastrowanie szczytów gęstości (DPC) 95
2.6. Skanowanie przestrzenne (Statystyka Kulldorffa) 101
2.7. Klastrowanie Voronoia 108
Rozdział 3 Metody statystyczne do badania koncentracji, aglomeracji i gęstości przestrzennej 113
3.1. SPAG - miara aglomeracji przestrzennej 113
3.2. Entropia gęstości przestrzennej do pomiaru aglomeracji przestrzennej 121
3.2.1. Test Clarka-Evansa 122
3.2.2. ETA (entropia-teselacja-aglomeracja) jako miara aglomeracji 125
3.2.3. Lokalna entropia w ruchomym oknie (FLE) 130
3.3. Entropia i wzajemna informacja klastrów gęstości w zrozumieniu struktury biznesowej 135
3.4. Przestrzenna estymacja funkcji gęstości jądra (KDE) 144
3.4.1. Tradycyjne podejście przestrzenne do estymacji gęstości jądra (KDE) 144
3.4.2. Klastrowanie metodą k-średnich wyników KDE 151
3.4.3. Entropia sklastrowanego KDE 152
3.4.4. Indeks Rand dla sklastrowanego KDE 154
3.4.5. Klastrowanie szeregów przestrzennych wektorów KDE 159
3.5. Przestrzenne ryzyko względne - porównanie gęstości dwóch grup 164
3.6. Rozkład przestrzenny Benforda i naturalny rozkład przestrzenny 170
3.7. Gęstość kierunkowa z wykresem róży 176
Rozdział 4 Modele ekonometryczne i uczenia maszynowego uwzględniające gęstość przestrzenną 181
4.1. Dane dotyczące gęstości przestrzennej w modelach ekonometrycznych 182
4.2. Macierze wag przestrzennych dla danych punktowych oparte na k najbliższych sąsiadów oraz teselacji Voronoia 189
4.3. Regresja ważona geograficznie (GWR) - klastrowanie, kwestie czasowe, algorytm lasu losowego 198
4.3.1. Wprowadzenie do GWR - ogólne zasady, stacjonarność, funkcje gęstości jądra 199
4.3.2. Dryf przestrzenny 205
4.3.3. GWR w badaniu stabilności czasowo-przestrzennej 211
4.3.4. Geograficznie ważony las losowy (GWRF) 215
4.3.5. Przegląd literatury dotyczącej GWR 220
4.4. Bootstrapowane modele ekonometrii przestrzennej wykorzystujące teselację Voronoia i przestrzeń skalibrowaną gęstością 222
4.5. Modele ekonometryczne i modele uczenia maszynowego na danych w grid 232
4.6. Model elastyczności dla lokalnej gęstości 245
Podsumowanie 253
Bibliografia 257
Załączniki 271
Załącznik 1. Zbiory danych wykorzystane w książce 273
Załącznik 2. Kody R 281
Kody R do wczytywania danych 283
Kody R dla rozdziału 1.3: Gęstość przestrzenna w naukach społecznych 287
Kody R dla rozdziału 2.1: K-średnich, samoorganizujące się mapy i hierarchiczne klastrowanie współrzędnych geograficznych 288
Kody R dla rozdziału 2.2: Szybkie klastrowanie gęstości (QDC) 291
Kody R dla rozdziału 2.3: DBSCAN i jego rozszerzenia 299
Kody R dla rozdziału 2.3.1: DBSCAN w 2D 299
Kody R dla rozdziału 2.3.2: DBSCAN w 3D 301
Kody R dla rozdziału 2.3.3: Problemy z DBSCAN i jego rozszerzeniami 302
Kody R dla rozdziału 2.4: LOF, GLOSH i OPTICS jako diagnostyka DBSCAN 303
Kody R dla rozdziału 2.4.1: Lokalny współczynnik wartości odstających (LOF) 303
Kody R dla rozdziału 2.4.2: Globalny i lokalny wynik odstający w hierarchii (GLOSH) 304
Kody R dla rozdziału 2.4.4: Analiza empiryczna LOF, GLOSH i OPTICS 304
Kody R dla rozdziału 2.5: Klastrowanie szczytów gęstości (DPC) 309
Kody R dla rozdziału 2.6: Skanowanie przestrzenne (statystyka Kulldorffa) 312
Kody R dla rozdziału 2.7: Klastrowanie Voronoia 315
Kody R dla rozdziału 3.1: SPAG - miara aglomeracji przestrzennej 317
Kody R dla rozdziału 3.2: Entropia gęstości przestrzennej do pomiaru aglomeracji 320
Kody R dla rozdziału 3.2.1: Test Clarka-Evansa 320
Kody R dla rozdziału 3.2.2: ETA (Entropia-tesselacja-aglomeracja) jako miara aglomeracji 324
Kody R dla rozdziału 3.2.3: Lokalna entropia w ruchomym oknie (FLE) 326
Kody R dla rozdziału 3.3: Entropia i wzajemna informacja klastrów gęstości w zrozumieniu struktury biznesowej 328
Kody R dla rozdziału 3.4: Przestrzenna estymacja funkcji gęstości jądra (KDE) 330
Kody R dla rozdziału 3.4.1: Tradycyjne podejście przestrzenne do estymacji gęstości jądra (KDE) 330
Kody R dla rozdziału 3.4.2: Klastrowanie k-średnich wyników KDE 332
Kody R dla rozdziału 3.4.3: Entropia sklastrowanego KDE 333
Kody R dla rozdziału 3.4.4: Indeks Rand dla sklastrowanego KDE 334
Kody R dla rozdziału 3.4.5: Klastrowanie szeregów przestrzennych wektorów KDE 336
Kody R dla rozdziału 3.5: Przestrzenne ryzyko względne - porównania gęstości dwóch grup 338
Kody R dla rozdziału 3.6: Rozkład przestrzenny Benforda i naturalny rozkład przestrzenny 340
Kody R dla rozdziału 3.7: Gęstość kierunkowa z wykresem róży 344
Kody R dla rozdziału 4.1: Dane dotyczące gęstości przestrzennej w modelach ekonometrycznych 347
Kody R dla rozdziału 4.2: Macierze wag przestrzennych dla danych punktowych oparte na k najbliższych sąsiadów oraz tesselacji Voronoia 348
Kody R dla rozdziału 4.3.1: Wprowadzenie do GWR - ogólne zasady, stacjonarność, funkcje gęstości jądra 352
Kody R dla rozdziału 4.3.2: Dryf przestrzenny 355
Kody R dla rozdziału 4.3.3: GWR w badaniu stabilności czasowo-przestrzennej 357
Kody R dla rozdziału 4.3.4: Geograficznie ważony las losowy (GWRF) 361
Kody R dla rozdziału 4.4: Bootstrapowane modele ekonometrii przestrzennej wykorzystujące tesselację Voronoia i przestrzeń skalibrowaną gęstością 363
Kody R dla rozdziału 4.5: Modele ekonometryczne i modele uczenia maszynowego na danych w grid 366
Kody R dla rozdziału 4.6: Model elastyczności dla lokalnej gęstości 374
Kody R do przetwarzania danych i geokodowania 377
Indeks funkcji i pakietów R 379
Indeks pojęć 383
Recenzent: dr hab. Andrzej Dudek, prof. Uniwersytetu Ekonomicznego we Wrocławiu
Polub nas na Facebooku
