Ocena rzeczywistej wydajności wybranych regresorów

• Autorzy: Michalak M. , Stąpor K.

Warianty tytułu

EN

Evaluation of the real efficiency for selected regressors

• Języki publikacji: PL

Abstrakty

PL

Poniższa praca porusza temat nieparametrycznej estymacji funkcji regresji oraz jej efektywności czasowej. Autorzy porównują dokładność regresji, ale i czas potrzebny na wyznaczenie wartości dla obiektu testowego. Czas ten uwzględnia nie tylko samo wyznaczanie wartości, ale i etap tworzenia regresora. Eksperymenty zostały przeprowadzone na wielowymiarowych danych rzeczywistych.

EN

This paper raises a problem of nonparametric estimation of the regression function and its time efficiency. Authors compare the regression accuracy but considers also the time that is needed to evaluate the value for the test object. That time takes into consideration the evaluation time, but also the time of regressor creating. Experiments were conducted with the usage of multidimensional real data.

Słowa kluczowe

PL

analiza danych; funkcja regresji; estymacja nieparametryczna; estymatory jądrowe; maszyna wektorów podpierających; regresja wielowymiarowa

EN

data analysis; regression function; nonparametric estimation; kernel estimators; support vector machine; multidimensional regression

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2008
• Tom: Vol. 29, nr 1
• Strony: 23--33
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Michalak M.

autor

Stąpor K.

• Instytut Informatyki Politechnika Śląska, 44-100 Gliwice, ul. Akademicka 16 tel. (032) 237-11-54,

Bibliografia

• 1. Koronacki J., Ćwik J.: Statystyczne systemy uczące się. WNT, Warszawa 2005.
• 2. De Boor C: A practical guide to splines, Springer 2001.
• 3. Kulczycki P.: Estymatory jądrowe w analizie systemowej. WNT, Warszawa 2005.
• 4. Gajek L., Kałuszka M.: Wnioskowanie statystyczne. WNT, Warszawa 2000.
• 5. Friedman J. H.: Multivariate Adaptive Regression Splines. The Annals of Statistics, vol. 19, no. 1, 1991, s. K141.
• 6. Friedman J. H., Stuetzle W.: Projection Pursuit Regression. Journal of the American Statistical Association, vol, 76, 1981, s. 817-823.
• 7. Gasser T., Kneip A., Kohler W.: A flexible and fast method for authomatic smoothing. Journal of the American Statistical Association, vol. 86, no. 415, 1991, s. 643-652.
• 8. Smola A. J., Scholkopf B.: A tutorial on Support Vector Regression. NeuroCOLT2 Technical Report NC2-TR-1998-030, 2003.
• 9. Gunn S.: Support Vector Machines for Classification and Regression. Technical Report lSlS-1-98, Department of Electronics and Computer Science, University of Southampton, 1998.
• 10. Boser B.E., Guyon M. I., Vapnik V.: A training algorithm for optimal margin classifiers. Fifth Annual Workshop on Computational Learning Theory, Pittsburgh 1992.
• 11. Vapnik V.: The Nature of Statistical Learning Theory. Springer, New York, USA, 1995.
• 12. Sikora M., Sikora B., Application of Machine Learning for prediction a methane concentration in a coal-mine. Archives of Mining Sciences, vol. 51, Issue 4, 2006, s. 475-492.
• 13. Canu S., Grandvalet Y., Guigue V., Rakotomamonjy A.: SVM and Kernel Methods Matlab Toolbox. Perception Systemes et Information, INS A de Rouen, Rouen, France, 2005.
• 14. http://asi.insa-rouen.fr/~arakotom/toolbox/index.html, SVM and Kernel Methods Matlab Toolbox.