Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2007 | nr 1189 Zastosowania metod ilościowych | 234-241
Tytuł artykułu

Symulacyjne porównanie jakości modeli otrzymanych metodą wektorów nośnych z innymi modelami regresji

Warianty tytułu
Benchmarking Support Vector Machines against Other Regression Methods
Języki publikacji
PL
Abstrakty
Metoda wektorów nośnych uważana jest obecnie, oprócz zagregowanych drzew klasyfikacyjnych, za najdokładniejsze narzędzie w dyskryminacji. W dalszej części artykułu przedstawiona zostanie pokrótce metoda wektorów nośnych w regresji oraz próba empirycznego zweryfikowania, na ile metoda wektorów nośnych jest konkurencyjna pod względem dokładności predykcji wobec innych znanych metod regresji, takich jak klasyczna regresja liniowa, a także wybrane metody nieparametryczne: metoda rzutowania, sieci neuronowe, drzewa regresyjne oraz modele zagregowane łączące wiele modeli drzew. (fragment tekstu)
EN
For nonlinear regression problem, support vector machines (SVM) map the input space into a high-dimensional feature space first, and then perform linear regression in the high-dimensional feature space. The paper presents the comparison of SVM and other regression methods (linear regression, Projection Pursuit Regression, Neural Networks, Regression Trees, Random Forest, Bagging) by the means of mean squared test set error. (original abstract)
Twórcy
  • Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach
Bibliografia
  • Cristianini N., Shawe-Taylor J., An introduction To Support Vector Machines (and Other Kernel-based Learning Methods), Cambridge University Press, 2000.
  • Friedman J., Multivariate Adaptive Regression Splines, "The Annals of Statistics" 1991, 19(1).
  • Gunn S.R., Support Vector Machines for Classification and Regression, Technical Report, Image Speech and Intelligent Systems Research Group, University of Southampton, 1997.
  • Hastie T., Tibshirani R., Friedman J.. The Elements of Statistical Learning, Springer Verlag, N.Y. 2001.
  • Trzęsiok M., Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne, [w:] A.S. Barczak (red.), Postępy ekonometrii, AE. Katowice.
  • Trzęsiok M., Metoda wektorów nośnych w konstrukcji nieparametrycznych modeli regresji, [w:] K. Jajuga, M. Walesiak (red.), Taksonomia 12, Klasyfikacja i analiza danych, AE, Wrocław 2005.
  • Vapnik V., Statistical Learning Theory, John Wiley & Sons, N.Y. 1998.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171354953
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.