Próba wykorzystania metody wektorów nośnych do identyfikowania obserwacji oddalonych dla danych społeczno-ekonomicznych

• Autorzy: Michał Trzęsiok
• Języki publikacji: PL

Abstrakty

Niezależnie od tego, jak bardzo wyrafinowana metoda zostanie użyta do zbudowania modelu statystycznego, jakość tego modelu zależy wprost od jakości danych wykorzystanych do jego wyznaczenia. Często w rzeczywistych zbiorach danych występują pewne obserwacje, których wartości stanowią nietypowe realizacje odpowiednich zmiennych. Wynika to ze specyfiki badanego zjawiska lub też z różnego rodzaju błędów. Ponieważ obserwacje te mogą mieć istotny wpływ na wyniki analizy wymagają szczególnej uwagi. Metoda wektorów nośnych (SVM - Support Vector Machines), pierwotnie skonstruowana jako metoda dyskryminacji, może zostać przeformułowana tak, aby realizowała także zadanie identyfikowania obserwacji oddalonych. W takim przypadku jej działanie jest podobne w pewnym sensie do metod taksonomicznych (bezwzorcowych), gdyż polega ona na tym, że traktując cały zbiór uczący, jak zbiór obiektów należących do jednej klasy, identyfikuje obszar przestrzeni, w którym skupione są poddane analizie obserwacje, to znaczy identyfikuje nośnik wielowymiarowego rozkładu, którego realizacjami jest analizowany zbiór danych. Otrzymujemy w ten sposób funkcję, która przyjmuje wartość -1 w obszarach, gdzie prawdopodobieństwo wystąpienia obserwacji jest bardzo małe i wartość +1 w obszarze będącym nośnikiem rozkładu. Funkcja ta identyfikuje obiekty oddalone. (fragment tekstu)

Słowa kluczowe

PL

Modele ekonomiczne; Ekonomia społeczna; Metoda wektorów nośnych (SVM)

EN

Economic models; Social economy; Support Vector Machines (SVM)

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2012
• Tom: Metody i modele analiz ilościowych w ekonomii i zarządzaniu. Cz. 4
• Strony: 112--125

Twórcy

autor

Michał Trzęsiok

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Cristianini N., Shawe-Taylor J., An Introduction To Support Vector Machines (and other kernel-based learning methods), Cambridge University Press 2000
• Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Springer Verlag, New York 2001
• Schöllcopf B., Smoła A.J., Learning with Kernels, MIT Press, Cambridge 2002
• Trzęsiok M., Zastosowanie metody SVM w klasyfikacji danych, w: Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia 11, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, nr 1022, Wrocław 2004
• Vapnik V., Statistical Learning Theory, John Wiley & Sons, New York 1998