Czasopismo
Tytuł artykułu
Autorzy
Warianty tytułu
Usage of the Boosting Method MART in Discriminationation
Języki publikacji
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)
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)
Rocznik
Strony
115--127
Opis fizyczny
Twórcy
autor
- 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.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171305249