Nové přístupy k metaučení v regresním modelování
New approach to metalearning in regression modeling
dc.contributor.advisor | Kalina Jan | |
dc.contributor.author | Aleš Neoral | |
dc.date.accessioned | 2021-11-10T13:42:31Z | |
dc.date.available | 2021-11-10T13:42:31Z | |
dc.date.issued | 2020-07-24 | |
dc.identifier | KOS-879459784405 | |
dc.identifier.uri | http://hdl.handle.net/10467/98469 | |
dc.description.abstract | 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. | cze |
dc.description.abstract | 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. | eng |
dc.publisher | České vysoké učení technické v Praze. Vypočetní a informační centrum. | cze |
dc.publisher | Czech Technical University in Prague. Computing and Information Centre. | eng |
dc.rights | 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 | eng |
dc.rights | 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 | cze |
dc.subject | metaučení | cze |
dc.subject | robustnost | cze |
dc.subject | kontaminace dat | cze |
dc.subject | lineární regrese | cze |
dc.subject | metalearning | eng |
dc.subject | robustness | eng |
dc.subject | data contamination | eng |
dc.subject | linear regression | eng |
dc.title | Nové přístupy k metaučení v regresním modelování | cze |
dc.title | New approach to metalearning in regression modeling | eng |
dc.type | diplomová práce | cze |
dc.type | master thesis | eng |
dc.contributor.referee | Kukal Jaromír | |
theses.degree.discipline | Aplikované matematicko-stochastické metody | cze |
theses.degree.grantor | katedra matematiky | cze |
theses.degree.programme | Aplikace přírodních věd | cze |
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
-
Diplomové práce - 14101 [152]