Ocena zasadności łączenia wybranych nieparametrycznych modeli regresji

• Autorzy: Joanna Trzęsiok

Warianty tytułu

On Aggregating Some Nonparametric Regression Models

• Języki publikacji: PL

Abstrakty

Celem artykułu było zweryfikowanie hipotezy o zasadności łączenia wybranych modeli regresji otrzymanych metodami nieparametrycznymi. Zachodzi pytanie, czy poprzez agregację tych modeli uzyskamy istotną poprawę wyników predykcji. W pierwszym etapie analizy mającej na celu zweryfikowanie powyższej hipotezy zbadano zróżnicowanie modeli regresji zbudowanych za pomocą metod: MARS, PPR, ACE i AVAS. W drugim etapie porównano dokładność predykcji modeli indywidualnych oraz zagregowanych. (fragment tekstu)

EN

The main goal of the paper is to analyze the feasibility of gaining more accurate predictions by aggregating nonparametric regression models such as MARS, PPR, ACE and AVAS. The aggregating approach is especially effective when single models are weak i.e. the variance of predictions of these models is high. The analysis was performed on benchmark data sets. The results showed that considered models had the built-in variance reduction mechanism, so the increase in the prediction accuracy of aggregating models compared to single models was not significant. (original abstract)

Słowa kluczowe

PL

Modele regresji; Regresja nieparametryczna; Analiza danych

EN

Regression models; Nonparametric regression; Data analysis

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2008
• Tom: 15
• Numer: nr 7 (1207) Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 346--353

Twórcy

autor

Joanna Trzęsiok

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• Breiman L., Friedman J. (1985), Estimating Optimal Transformations for Multiple Regression and Correlation {with discussion), „Journal of the American Statistical Association" nr 80, s. 580-619.
• Friedman J., Stuetzle W. (1981), Projection Pursuit Regression, „Journal of the American Statistical Association" nr 76, s. 817-823.
• Friedman J.H. (1991), Multivariate Adaptive Regression Splines, „Annals of Statistics" nr 19, s. 1-141.
• Friedman J.H. (1999), Greedy Function Approximation: a Gradient Boosting Machine, Technical report, Department of Statistics, Stanford University.
• Gatnar E. (2005), Gradient Boosting in Regression, „Acta Universitatis Lodziensis", Folia Oeconomica 194, Łódź, s. 11-19.
• Kooperberg C., Bose S., Stone C.J. (1997), Polychotomous Regression, „Journal of the American Statistical Association" nr 92, s. 117-127.
• Meyer D., Leisch F., Hornik K. (2002), Benchmarking Support Vector Machines, Report no. 78, Vienna University of Economics and Business Administration, http://www.wuwien.ac.at/am/ Download/ report78.pdf.
• Tibshirani R. (1988), Estimating Transformations for Regression Via Additivity and Variance Stabilization, „Journal of the American Statistical Association" nr 83, s. 394-405.
• Trzęsiok J. (2004a), Wybrane nieparametryczne metody regresji i ich zastosowania, [w:] Taksonomia 11, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1022, AE, Wrocław, s. 107-115.
• Trzęsiok J. (2004b), Metoda rzutowania w budowie modelu regresyjnego, [w:] Postępy ekonometrii, red. A.S. Barczak, AE, Katowice, s. 121-130.
• Turner K., Ghosh J. (1996), Analysis of Decision Boundaries in Linearly Combined Neural Classifiers, „Pattern Recognition" nr 29, s. 341-348.