On Estimation of a Quantity of Base Models with Parametric z and Permutation Tests
Słowa kluczowe:
permutation tests, aggregation models, regression methodsAbstrakt
Jednym z kluczowych problemów w wielomodelowym podejściu do zagadnienia regresji jest estymacja optymalnej ilości modeli bazowych. Jeśli ich ilość jest zbyt mała – rośnie błąd predykcji, zbyt duża ilość powiększa czas i komplikację obliczeń. Niestety estymacja tej ilości na podstawie analizy błędu predykcji może prowadzić do jej przeszacowania. W artykule proponuje się formalne podejście, w którym porównywane są wyniki prognoz otrzymanych z modeli zagregowanych z różnej liczby modeli bazowych. W tym przypadku wykorzystane zostały zarówno testy parametryczne jak i testy permutacyjne, a jako dane testowe: dane empiryczne wykorzystywane w przemyśle rafineryjnym.Pobrania
Bibliografia
Breiman L. (1996), Bagging Predictors, Machine Learning, 26(2), pp. 123-140
Google Scholar
Gatnar E. (2008), Podejście wielomodelowe, Wydawnictwo Naukowe PWN, Warszawa
Google Scholar
Good P. I. (1994) Permutation Tests: A practical guide for testing Hypotheses, Springer-Verlag, N. York
Google Scholar
Hesterberg T. et al (2003), The practice of business statistics, Companion chapter 18 – Bootstrap methods and permutation tests, W. H. Freeman and Company, New York
Google Scholar
Latinne P. et al. (2002), Combining different methods and numbers of weak decision trees, “Pattern Analysis ans Applications”, 5(2), pp. 201-209
Google Scholar
Opitz D., Maclin R. (1999), Popular Ensemble Methods: An Empirical Study, Journal of Artificial Intelligence Research 11, pp. 169-198
Google Scholar
