Podejście wielomodelowe w regresji danych symbolicznych interwałowych

• Autorzy: Marcin Pełka

Warianty tytułu

Ensemble Learning in Regression Model of Symbolic Interval Data

• Języki publikacji: PL

Abstrakty

Podejście wielomodelowe, które polega na zastosowaniu wielu modeli (zamiast jednego), może z powodzeniem znaleźć zastosowanie w analizie danych klasycznych. Celem artykułu jest wskazanie przydatności zastosowania podejścia wielomodelowego z wykorzystaniem metody bagging w regresji danych symbolicznych interwałowych. W artykule zaprezentowano podstawowe pojęcia związane z analizą danych symbolicznych, adaptację metody największych kwadratów na potrzeby danych symbolicznych interwałowych oraz ideę metody bagging. W części empirycznej artykułu przedstawiono wyniki badań z zastosowaniem sztucznych oraz rzeczywistych zbiorów danych dla metody środków oraz metody środków i promieni. Przeprowadzone badania symulacyjne z zastosowaniem różnej liczby modeli bazowych wskazują, że podejście wielomodelowe z zastosowaniem metody bagging pozwala na poprawę dokładności otrzymanych wyników zarówno dla metody środków, jak i metody środków i promieni.(abstrakt oryginalny)

EN

Ensemble learning, which consist in using a lot of models (instead one single model) can be used in classical data analysis. The aim of the paper is to present an adaptation of ensemble learning with the use of bagging for regression analysis of symbolic interval-valued data. The article presents basic concepts concerning symbolic data analysis, the adaptation of ordinary least squares model for symbolic interval-valued data and the idea of bagging approach in ensemble learning. The empirical part contains the results of simulation studies obtained with the application of real and artificial data sets for centers and centers and range methods. The results show that both methods reach usually better results when using bagging than in case of a single model.(original abstract)

Słowa kluczowe

PL

Podejście wielomodelowe; Analiza danych; Ekonometria

EN

Multiple-model approach; Data analysis; Econometrics

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2014
• Numer: nr 4 (46)
• Strony: 211--220

Twórcy

autor

Marcin Pełka

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Bock H.-H., Diday E. (red.), 2000, Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer Verlag, Berlin-Heidelberg.
• Billard L., Diday E., 2006, Symbolic Data Analysis. Conceptual Statistics and Data Mining, John Wiley & Sons, Chichester.
• Breiman L., 1996, Bagging predictors, Machine Learning, vol. 24, s. 123-140.
• Diday E., Noirhomme-Fraiture M., 2008, Symbolic Data Analysis. Conceptual Statistics and Data Mining, Wiley, Chichester.
• Dudek A., 2013, Metody analizy danych symbolicznych w badaniach ekonomicznych, Wyd. UE we Wrocławiu, Wrocław.
• Dudek A., 2004, Tworzenie obiektów symbolicznych z baz danych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1021, s. 107-114.
• Dziechciarz J. (red.), 2002, Ekonometria. Metody, przykłady, zadania, Wyd. Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław.
• Gatnar E., 2008, Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Hastie T., Tibshirani R., Friedman J., 2008, The Elements of Statistical Learning: Data Mining, Inference and Prediction, Springer-Verlag, New York.
• Jajuga K. (red.), 1999, Ekonometria. Metody i analiza problemów ekonomicznych, Wyd. Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław.
• Kuncheva L., 2004, Combining Pattern Classifiers. Methods and Algorithms, Wiley, New Jersey.
• Kufel T., 2011, Ekonometria. Rozwiązywanie problemów z wykorzystaniem programu GRETL, PWN, Warszawa.
• Lattin J., Carroll J.D., Green P.E., 2003, Analyzing Multivariate Data, Brooks/Cole - Thomson Learning, Pacific Grove.
• Lima-Neto E.A., de Carvalho F.A.T., 2008, Centre and range method to fitting a linear regression model on symbolic interval data, Computational Statistics and Data Analysis, vol. 52, s. 1500-1515.
• Lima-Neto E.A., de Carvalho F.A.T., 2010, Constrained linear regression models for symbolic interval- valued variables, Computational Statistics and Data Analysis, vol. 54, s. 333-347.
• Noirhomme-Fraiture M., Brito P., 2011, Far beyond the classical data models: symbolic data analysis, Statistical Analysis and Data Mining, vol. 4, issue 2, s. 157-170.
• Oldemar R., 2014, The RSDA package of R software, http://www.r-project.org.
• Polikar R., 2007, Bootstrap inspired techniques in computational intelligence, IEEE Signal Processing Magazine, vol. 24, no. 4, s. 56-72.
• Sobczyk M., 2013, Ekonometria, C.H. Beck, Warszawa.
• Walesiak M., Gatnar E. (red.), 2004, Metody statystycznej analizy wielowymiarowej w badaniach marketingowych, Wyd. Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław.
• Welfe A., 2013, Ekonometria, PWN, Warszawa.

Identyfikatory

DOI

10.15611/ekt.2014.4.18