ČVUT DSpace
  • Prohledat DSpace
  • English
  • Přihlásit se
  • English
  • English
Zobrazit záznam 
  •   ČVUT DSpace
  • České vysoké učení technické v Praze
  • Fakulta jaderná a fyzikálně inženýrská
  • katedra matematiky
  • Diplomové práce - 14101
  • Zobrazit záznam
  • České vysoké učení technické v Praze
  • Fakulta jaderná a fyzikálně inženýrská
  • katedra matematiky
  • Diplomové práce - 14101
  • Zobrazit záznam
JavaScript is disabled for your browser. Some features of this site may not work without it.

Nové přístupy k metaučení v regresním modelování

New approach to metalearning in regression modeling

Typ dokumentu
diplomová práce
master thesis
Autor
Aleš Neoral
Vedoucí práce
Kalina Jan
Oponent práce
Kukal Jaromír
Studijní obor
Aplikované matematicko-stochastické metody
Studijní program
Aplikace přírodních věd
Instituce přidělující hodnost
katedra matematiky



Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznam
Abstrakt
Metaučení se stává důležitou metodologií pro extrakci znalostí z dostupných trénovacích dat na nová (nezávislá) data. Zatím ale na tohle téma nebylo napsáno mnoho teorie a chybí také i praktické výpočty. Tato diplomová práce rozšiřuje praktický výzkum v této oblasti a zaměřuje se na citlivost metaučení na kontaminovaných datech. Metaučení jsme realizovali za použití čtyř různých regresních metod (včetně vysoce robustních) na 643 datových souborech s přidáváním různé míry kontaminace. Metaučení vykazuje vysoce nadprůměrné výsledky pro robustní míry predikce a při použití standardní střední kvadratické chyby metaučení selhává. Metaučení je citlivé na uměle přidanou kontaminaci, zejména na tu globální.
 
Metalearning is becoming an increasingly important methodology for extracting knowledge from a data base of available training dataset to a new (independent) dataset. There has not been written much theory about metalearning. Few practical experiments on metalearning research have been done. This diploma thesis expands empirical knowledge about metalearning. We performed metalearning using four regression methods (including highly robust ones) have been used on 643 data files, adding a various degree of contamination. Metalearning produces very good results for robust prediction measures and fails when used for standard mean squared error. Metalearning is sensitive to artificial contamination, especially to global contamination.
 
URI
http://hdl.handle.net/10467/98469
Zobrazit/otevřít
PLNY_TEXT (3.859Mb)
Kolekce
  • Diplomové práce - 14101 [171]

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Kontaktujte nás | Vyjádření názoru
Theme by 
@mire NV
 

 

Užitečné odkazy

ČVUT v PrazeÚstřední knihovna ČVUTO digitální knihovně ČVUTInformační zdrojePodpora studiaPodpora publikování

Procházet

Vše v DSpaceKomunity a kolekceDle data publikováníAutořiNázvyKlíčová slovaTato kolekceDle data publikováníAutořiNázvyKlíčová slova

Můj účet

Přihlásit se

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Kontaktujte nás | Vyjádření názoru
Theme by 
@mire NV