Zastosowanie agregacyjnej metody MART w dyskryminacji

• Autorzy: Joanna Trzęsiok

Warianty tytułu

Usage of the Boosting Method MART in Discriminationation

• Języki publikacji: PL

Abstrakty

Metoda MART pozwala na wprowadzenie do modelu cech zarówno metrycznych, jak i niemetrycznych. Nie jest też wymagana znajomość rozkładów zmiennych objaśniających. Dopuszcza się także, aby rozkłady te charakteryzowały się wysoką skośnością. W metodzie MART nie ma również potrzeby standaryzacji zmiennych.(fragment tekstu)

EN

Multiple additive regression trees MART belong to the group of boosting methods for regression and classification. This approach was introduced by J.H. Friedman (1999). Besides the accuracy, its primary goal is robustness. It tends to be resistant against the outliers, missing values, and the inclusion of the potentially large numbers of irrelevant predictor variables that have little or no effect on the response. In this papcr the MART algorithm the for classification and its applications has been presentcd.(original abstract)

Słowa kluczowe

PL

Analiza dyskryminacyjna; Metody statystyczne; Algorytmy

EN

Discriminant analysis; Statistical methods; Algorithms

• Czasopismo: Studia Ekonomiczne / Akademia Ekonomiczna w Katowicach
• Rocznik: 2006
• Numer: nr 39 Zastosowanie metod matematycznych w ekonomii i zarządzaniu
• Strony: 115--127

Twórcy

autor

Joanna Trzęsiok

• Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach

Bibliografia

• FreundY., SchapireR.: A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. "Journal of Computer and System Sciences" 1997, 55, s. 119-139.
• Friedman J.H.: Greedy Function Approximation: A Gradient Boosting Machinę. Technical report, Dept. of Statistics, Stanford University, 2001.
• Friedman J.H., HastieT., Tibshirani R.: Additive Logistic Regression: A Statistical View of Boosting. Technical report, Dept. of Statistics, Stanford University, 1999.
• GatnarE.: Nieparametryczna metoda dyshyminacji i regresji. Wydawnictwo Naukowe PWN, Warszawa 2000.
• Hastie T., Tibshirani R., Friedman J.H.: The Elements of Statistical Learning. Springer-Yerlag, New York 2001.