O możliwościach wykorzystania rotacyjnego lasu w badaniach rynkowych i marketingowych

• Autorzy: Mariusz Łapczyński

Warianty tytułu

The Possibility of Use of Rotation Forest in Marketing Surveys

• Języki publikacji: PL

Abstrakty

Rotacyjny las (rotation forest) jest narzędziem analitycznym służącym do budowy zagregowanych modeli predykcyjnych. Pojedyncze modele drzew klasyfikacyjnych powstają na podstawie podprób bootstrapowych, a do ich budowy używa się innych zbiorów zmiennych niezależnych. Początkowo dzieli się zbiór tych zmiennych na k rozłącznych podzbiorów, a następnie w każdym z nich stosuje się analizę głównych składowych w celu uzyskania liniowej kombinacji zmiennych wejściowych. Celem artykułu jest porównanie skuteczności modeli prognostycznych zbudowanych za pomocą rotacyjnego lasu z innymi modelami zagregowanymi: metodą bagging, drzewami wzmacnianymi AdaBoost i losowym lasem. Do analiz wykorzystano 11 zbiorów obserwacji pobranych z popularnego repozytorium on-line. Obliczenia zostały wykonane w programie WEKA (Waikato Environment for Knowledge Analysis), a ocena modeli została dokonana za pomocą czterech miar: dokładności, czułości, precyzji i miary F. Wyniki wskazują na ograniczone możliwości wykorzystania tego modelu zagregowanego w badaniach rynkowych i marketingowych. Najważniejsze przeszkody dotyczą poziomu pomiaru zmiennych niezależnych i zasobów sprzętowych niezbędnych do analizy dużych zbiorów danych.(abstrakt oryginalny)

EN

Rotation forest is an example of ensemble model that combines decision trees with principal component analysis. Single decision trees are based on bootstrap subsamples and different sets of independent variables (rotated feature space). The goal of this article is to compare the effectiveness of predictive models built by using rotation forest with other models based on bagging, Adaboost and random forest. Data sets used in this analysis come from popular UCI Machine Learning repository. Predictive models were built by open source WEKA software. The author used two algorithms of decision trees (J48 and SimpleCart) and modified the type of split (binary/not binary) and pruning options. The performance of models was evaluated by using popular measures based on misclassification matrix: accuracy, recall, precision and F-measure. The results indicate a limited possibility of using this algorithm in marketing. The main obstacles relate to the measurement scale of independent variables and computer power required to analyze large data sets.(original abstract)

Słowa kluczowe

PL

Badania marketingowe; Podejście wielomodelowe; Ekonometria; Drzewo decyzyjne; Metody samowsporne

EN

Marketing research; Multiple-model approach; Econometrics; Decision tree; Bootstrap

• Czasopismo: Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu
• Rocznik: 2017
• Numer: nr 1 (55)
• Strony: 69--81

Twórcy

autor

Mariusz Łapczyński

• Uniwersytet Ekonomiczny w Krakowie

Bibliografia

• Aličković E., Subasi A., 2015, Breast cancer diagnosis using GA feature selection and Rotation Forest, Neural Computing and Applications, Springer Online, s. 1-11.
• Breiman L., 1994, Bagging predictors, Technical Report, No. 421, Department of Statistics University of California Berkeley, California, September.
• Breiman L., 2001, Random forests, Machine Learning, nr 45, s. 5-32.
• Breiman L., Cutler A., 2007, Random Forests, stat-www.berkeley.edu, 15.10.
• De Bock K.W., Van den Poel D., 2011, An empirical evaluation of rotation-based ensemble classifiers for customer churn prediction, Expert Systems with Applications, vol. 38 s. 12293-12301.
• Dehzangi A. i in., 2010, Using Rotation Forest for Protein Fold Prediction Problem: An Empirical Study, [w:] Evolutionary Computation, Machine Learning and Data Mining in Bioinformatics, Volume 6023 of the series Lecture Notes in Computer Science, Springer Berlin Heidelberg, s. 217-227.
• Freund Y., Shapire R.E., 1997, A decision-theoretic generalization of on-line learning and an application to boosting, Journal of Computer and System Sciences, no. 55, s. 119-139.
• Gatnar E., 2008, Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, PWN, Warszawa.
• Hu Y-J. i in., 2012, Decision tree-based learning to predict patient controlled analgesia consumption and readjustment, BMC Medical Informatics and Decision Making, nr 12:131, s. 1-15.
• Idris A., Khan A., Lee Y.S., 2013, Intelligent churn prediction in telecom: employing mRMR feature selection and RotBoost based ensemble classification, Applied Intelligence, October, vol. 39, issue 3, s. 659-672.
• Karabulut E.M., İbrikçi T., 2012, Effective diagnosis of coronary artery disease using the rotation forest ensemble method, Journal of Medical Systems, vol. 36, issue 5, October 2012, s. 3011-3018.
• Lasota T., Łuczak T., Trawiński B., 2012, Investigation of rotation forest method applied to property price prediction, Artificial Intelligence and Soft Computing, vol. 7267 of the series Lecture Notes in Computer Science, s. 403-411.
• Ojha V.K., Dutta P., Chaudhuri A., 2016, Identifying hazardousness of sewer pipeline gas mixture using classification methods: a comparative study, Neural Computing and Applications, Springer Online, s. 1-12.
• Ozcift A., 2012, SVM feature selection based rotation forest ensemble classifiers to improve compu- ter-aided diagnosis of Parkinson disease, Journal of Medical Systems, vol. 36, issue 4, August 2012, s. 2141-2147.
• Rodriguez J.J., Alonso C.J., 2004, Rotation-Based Ensembles, [w:] R. Conejo R. i in. (red.), Current Topics in Artificial Intelligence, "Lecture Notes in Computer Science", vol. 3040, Springer-Verlag, Berlin Heidelberg, s. 498-506.
• Rodriguez J.J., Kuncheva L., Alonso C.J., 2006, Rotation Forest: A New Classifier Ensemble Method, IEEE Transactions On Pattern Analysis And Machine Intelligence, vol. 28, no. 10, October, s. 1619-1630.
• Santos P. i in., 2012, Wind turbines fault diagnosis using ensemble classifiers, Advances in Data Mining. Applications and Theoretical Aspects, vol. 7377 of the series Lecture Notes in Computer Science, s. 67-76.
• Zhang B., Zhou Y., 2012, Vehicle type and make recognition by combined features and rotation forest ensemble, International Journal of Pattern Recognition and Artificial Intelligence, vol. 26, no. 3, s. 1-25.

Identyfikatory

DOI

10.15611/ekt.2017.1.06