- Autor
- Trzęsiok Michał (Uniwersytet Ekonomiczny w Katowicach)
- Tytuł
- Próba wykorzystania metody wektorów nośnych do identyfikowania obserwacji oddalonych dla danych społeczno-ekonomicznych
- Źródło
- Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach. Metody i modele analiz ilościowych w ekonomii i zarządzaniu. Cz. 4, 2012, s. 112-125, wykr., bibliogr. 5 poz.
- Słowa kluczowe
- Modele ekonomiczne, Ekonomia społeczna, Metoda wektorów nośnych (SVM)
Economic models, Social economy, Support Vector Machines (SVM) - Abstrakt
- Niezależnie od tego, jak bardzo wyrafinowana metoda zostanie użyta do zbudowania modelu statystycznego, jakość tego modelu zależy wprost od jakości danych wykorzystanych do jego wyznaczenia. Często w rzeczywistych zbiorach danych występują pewne obserwacje, których wartości stanowią nietypowe realizacje odpowiednich zmiennych. Wynika to ze specyfiki badanego zjawiska lub też z różnego rodzaju błędów. Ponieważ obserwacje te mogą mieć istotny wpływ na wyniki analizy wymagają szczególnej uwagi. Metoda wektorów nośnych (SVM - Support Vector Machines), pierwotnie skonstruowana jako metoda dyskryminacji, może zostać przeformułowana tak, aby realizowała także zadanie identyfikowania obserwacji oddalonych. W takim przypadku jej działanie jest podobne w pewnym sensie do metod taksonomicznych (bezwzorcowych), gdyż polega ona na tym, że traktując cały zbiór uczący, jak zbiór obiektów należących do jednej klasy, identyfikuje obszar przestrzeni, w którym skupione są poddane analizie obserwacje, to znaczy identyfikuje nośnik wielowymiarowego rozkładu, którego realizacjami jest analizowany zbiór danych. Otrzymujemy w ten sposób funkcję, która przyjmuje wartość -1 w obszarach, gdzie prawdopodobieństwo wystąpienia obserwacji jest bardzo małe i wartość +1 w obszarze będącym nośnikiem rozkładu. Funkcja ta identyfikuje obiekty oddalone. (fragment tekstu)
- Dostępne w
- Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu - Bibliografia
-
- Cristianini N., Shawe-Taylor J., An Introduction To Support Vector Machines (and other kernel-based learning methods), Cambridge University Press 2000
- Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Springer Verlag, New York 2001
- Schöllcopf B., Smoła A.J., Learning with Kernels, MIT Press, Cambridge 2002
- Trzęsiok M., Zastosowanie metody SVM w klasyfikacji danych, w: Klasyfikacja i analiza danych - teoria i zastosowania, Taksonomia 11, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu, nr 1022, Wrocław 2004
- Vapnik V., Statistical Learning Theory, John Wiley & Sons, New York 1998
- Cytowane przez
- Język
- pol
