Liniowe modele prognostyczne oparte na regresji przedziałowej z funkcjami typu CPL

• Autorzy: Bobrowski L.

Warianty tytułu

EN

Linear prognostic models based on interval regression with the CPL criterion functions

• Języki publikacji: PL

Abstrakty

PL

Wielowymiarowe modele regresyjne są używane dla celów prognozowania. Parametry takich modeli estymowane są na podstawie zbioru wektorów cech grupujących wartości zmiennych niezależnych oraz wartości zmiennej zależnej. W wielu ważnych zastosowaniach dokładne wartości zmiennej zależnej nie mogą być określone a znane są tylko przedziały, które zawierają te wartości. W takich przypadkach stosuje się metody regresji przedziałowej. W pracy opisana jest konstrukcja liniowych modeli regresyjnych oparta na minimalizacji wypukłych i odcinkowo liniowych funkcji kryterialnych (typu CPL), które są zdefiniowane na przedziałowych zbiorach uczących.

EN

Multivariate regression models are used for the prognosis purposes. Parameters of such models are estimated on the basis of feature vectors (independent variables) combined with values of response (target) variable. The exact values of response variable can be not determined exactly in some important applications. For example, the values of response variable can be censored and given as intervals. The interval regression approach has been proposed for designing prognostic tools in such circumstances. The possibility of using the convex and piecewise linear (CPL) functions for designing interval regression models is examined in the paper.

Słowa kluczowe

PL

liniowy model prognostyczny; regresja przedziałowa; funkcje typu CPL

EN

linear prognostic model; interval regression; CPL criterion functions

• Wydawca: Polskie Towarzystwo Symulacji Komputerowej
• Czasopismo: Symulacja w Badaniach i Rozwoju
• Rocznik: 2010
• Tom: Vol. 1, nr 2
• Strony: 109--117
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Bobrowski L.

• Wydział Informatyki Politechniki Białostockiej,

Bibliografia

• 1. Johnson R. A., Wichern D. W.: Applied Multivariate Statistical Analysis, Prentice-Hall, Inc., Englewood Cliffs, New York, 1991.
• 2. Duda O. R., Hart P. E., Stork D. G.: Pattern Classification, J. Wiley, New York, 2001.
• 3. Bobrowski L.: Ranked linear models and sequential patterns recognition, pp. 1-7 in: Pattern Analysis & Applications, Volume 12, Issue1 (2009).
• 4. Bobrowski L., Łukaszuk T., Wasyluk H.: Ranked modeling of causal sequences of diseases for the purpose of early diagnosis, pp. 23-31 in: Computers in Medical Activity, E. Kącki, M. Rudnicki, J. Stempczyńska (Eds.), Advances in Intelligence and Soft Computing 65, Springer Verlag 2009.
• 5. Li G., Zhang C.: Linear regression with interval censored data, The Annals of Statistics, 1998, Vol. 26, No. 4, 1306-1327.
• 6. Klein J. P. Moeschberger M. L.: Survival Analysis, Techniques for Censored and Truncated Data, Springer, NY 1997.
• 7. Bobrowski L.: Regresja przedziałowa oparta na funkcjach kryterialnych typu CPL, w streszczeniach referatów XXXVIII Ogólnopolskiej Konferencji Zastosowań Matematyki, Zakopane 2009.
• 8. Bobrowski L.: Eksploracja danych oparta na wypukłych i odcinkowo-liniowych funkcjach kryterialnych (Data mining based on convex and piecewise linear (CPL) criterion functions) (in Polish), Technical University Białystok, 2005.
• 9. Bobrowski L.: Design of piecewise linear classifiers from formal neurons by some basis exchange technique Pattern Recognition, 24(9), pp. 863-870, 1991.
• 10. Frątczak E., Gach-Ciepela U., Babiker H.: Analiza Historii Zdarzeń, SGH, Warszawa 2005.
• 11. Bobrowski L., Łukaszuk T.: Feature selection based on relaxed linear separability, Biocybernetics and Biomedical Engineering 2009, Volume 29, Number 2, pp. 43-59.