Multiple Additive Regression Trees (MART) and Тheir Application

• Autorzy: Joanna Trzęsiok

Warianty tytułu

Addytywna metoda budowy drzew regresyjnych (MART) i jej zastosowanie

• Języki publikacji: EN

Abstrakty

EN

Multiple additive regression trees MART is a methodology for trying to solve prediction problems in regression and classification. It's one of the boosting methods. It was introduced by J. H. Friedman (1999a). Besides accuracy, its primary goal is robustness. It tends to be resistant against outliers, missing values, and the inclusion of potentially large numbers of irrelevant predictor variables that have little or no effect on the response. In this paper the MART algorithm and their applications will be discussed. (original abstract)

Addytywna metoda budowy drzew regresyjnych (MART), została zaproponowana przez J. H. Friedmana w 1999 r. (1999a, b). Jest to jedna z metod agregacyjnych, mająca zastosowanie w regresji i dyskryminacji opierająca się na modelach w postaci drzew. Jej zaletami, poza dokładnością predykcji, jest odporność na wartości oddalone i braki danych. Bardzo dobrze radzi sobie również z dużą liczbą zmiennych objaśniających, wśród których wiele może nie mieć istotnego wpływu na zmienną zależną. W artykule przedstawiona została ogólna idea metod agregacyjnych. Zaprezentowano i omówiono kolejne kroki algorytmu MART, a następnie, dla ilustracji, podany został przykład zastosowania procedury MART dla zbioru danych "Boston". (abstrakt oryginalny)

Słowa kluczowe

EN

Statistical analysis; Aggregation models; Data Mining

PL

Analiza statystyczna; Agregacja modeli; Data Mining

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2007
• Tom: 206 Methods of Multivariate Statistical Analysis and Their Applications
• Strony: 53--66

Twórcy

autor

Joanna Trzęsiok

• The Karol Adamiecki University of Economics in Katowice, Poland

Bibliografia

• Freund Y., Schapire R. (1997), A decision-theoretic generalization of on-line learning and an application to boosting, "Journal of Computer and System Sciences", 55, 119-139.
• Friedman J. H. (1999a), Greedy Function Approximation: A Gradient Boosting Machine Technical Report, Dept. of Statistics, Stanford University, Stanford.
• Friedman J. H. (1999b), Stochastic Gradient Boosting Technical Report, Dept. of Statistics, Stanford University, Stanford.
• Harrison D., Rubinfeld D. L. (1978), Hedonic Prices and the Demand for Clean Air, "Journal of Environmental Economics and Management", 5, 81-102.
• Hastie Т., Tibshirani R., Friedman J. H. (2001), The Elements of Statistical Learning, Springer-Verlag, New York.