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

• Autorzy: Michał Trzęsiok

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)

Słowa kluczowe

PL

Metoda wektorów nośnych (SVM); Modele regresji

EN

Support Vector Machines (SVM); Regression models

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu
• Rocznik: 2007
• Numer: nr 1189 Zastosowania metod ilościowych
• Strony: 234--241

Twórcy

autor

Michał Trzęsiok

• 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.