High-Dimensional Regression Analysis and Artificial Intelligence (eBook)

High-Dimensional Regression Analysis and Artificial Intelligence (eBook)

Xu JiupingHajiyev Asaf
Xu JiupingHajiyev Asaf
Prezzo:
€ 159,11
Compra EPUB
Prezzo:
€ 159,11
Compra EPUB

Formato

:
EPUB
Cloud: Scopri di più
Lingua: Inglese
Editore: Springer
Collana: Mathematics and Statistics (R0)
Codice EAN: 9789819525140
Anno pubblicazione: 2026
Scopri QUI come leggere i tuoi eBook

Note legali

NOTE LEGALI

a) Garanzia legale, Pagamenti, Consegne, Diritto di recesso
b) Informazioni sul prezzo
Il prezzo barrato corrisponde al prezzo di vendita al pubblico al lordo di IVA e al netto delle spese di spedizione
Il prezzo barrato dei libri italiani corrisponde al prezzo di copertina.
I libri in inglese di Libraccio sono di provenienza americana o inglese.
Libraccio riceve quotidianamente i prodotti dagli USA e dalla Gran Bretagna, pagandone i costi di importazione, spedizione in Italia ecc.
Il prezzo in EURO è fissato da Libraccio e, in alcuni casi, può discostarsi leggermente dal cambio dollaro/euro o sterlina/euro del giorno. Il prezzo che pagherai sarà quello in EURO al momento della conferma dell'ordine.
In ogni caso potrai verificare la convenienza dei nostri prezzi rispetto ad altri siti italiani e, in moltissimi casi, anche rispetto all'acquisto su siti americani o inglesi.
c) Disponibilità
I termini relativi alla disponibilità dei prodotti sono indicati nelle Condizioni generali di vendita.

Disponibilità immediata
L'articolo è immediatamente disponibile presso Libraccio e saremo in grado di procedere con la spedizione entro un giorno lavorativo.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Disponibile in giorni o settimane (ad es. "3-5-10 giorni", "4-5 settimane" )
L'articolo sarà disponibile entro le tempistiche indicate, necessarie per ricevere l'articolo dai nostri fornitori e preparare la spedizione.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Prenotazione libri scolastici
Il servizio ti permette di prenotare libri scolastici nuovi che risultano non disponibili al momento dell'acquisto.

Attualmente non disponibile
L'articolo sarà disponibile ma non sappiamo ancora quando. Inserisci la tua mail dalla scheda prodotto attivando il servizio Libraccio “avvisami” e sarai contattato quando sarà ordinabile.

Difficile reperibilità
Abbiamo dei problemi nel reperire il prodotto. Il fornitore non ci dà informazioni sulla sua reperibilità, ma se desideri comunque effettuare l'ordine, cercheremo di averlo nei tempi indicati. Se non sarà possibile, ti avvertiremo via e-mail e l'ordine verrà cancellato.
Chiudi

Descrizione

In this book, a novel high-dimensional linear and nonlinear regression model is introduced to address, in part, the challenges of evaluating the stability and confidence of large-scale models' interpretability. The book begins by reviewing foundational concepts in regression analysis, and discussing the current state and challenges of AI interpretability. Through an in-depth exploration of regression models, the core principles of data-driven linear regression are explained. To enhance the explanatory power of regression models, variable-parameter regression models are further investigated and extended to variable-parameter nonlinear regression models. To handle complex relationships, the Gauss-Newton iterative method is incorporated, ensuring the stability of high-dimensional nonlinear regression. The Confidence Interval-based Credibility Evaluation (CICE) framework combines statistical indicators—such as interval width, center deviation, and accuracy—into a single score to assess the stability and reliability of explanations, validated through case studies in engineering, finance, and time series prediction. Overall, the book presents a coherent framework for interpretable AI, integrating regression modeling, confidence region construction, and credibility evaluation to enhance interpretability and statistical accountability, fostering more trustworthy AI systems. Chapter 1 introduces the fundamental concepts and theoretical developments of both regression analysis and AI explainability, highlighting their interconnections. Chapter 2 reviews essential probability theory and mathematical statistics, covering random variables, measure spaces, probability distributions, parameter estimation (including least squares and maximum likelihood methods), and asymptotic theory, which serve as the foundation for analyzing model consistency and convergence. Chapter 3 focuses on the effects of correlated errors in linear regression, establishing parameter convergence conditions to ensure the consistency and asymptotic normality of covariance estimators. Chapter 4 introduces variable-parameter regression models and systematically studies M-estimators and generalized regression models within the framework of robust statistics. By addressing non-normal errors and outliers, these methods improve model adaptability. The chapter also establishes the robustness of the generalized regression model through theoretical analysis of covariance estimation. Chapter 5 introduces the Confidence Interval-based Credibility Evaluation (CICE) framework, which integrates multiple statistical indicators into a unified score to assess the stability and reliability of model explanations. Through real-world case studies in engineering, finance, and time series prediction, the effectiveness of CICE in detecting unstable interpretations and enhancing model transparency is demonstrated.