Wykorzystanie techniki AdaBoost w modelach opartych na regresji z wykorzystaniem sztucznej inteligencji

• Authors: Wołoszyn Jacek

Title variants

EN

Use of AdaBoost technique in regression based models using artificial intelligence

• Languages of publication: PL

Abstracts

PL

Artykuł opisuje wykorzystanie sztucznej inteligencji w obliczeniach regresyjnych. Modele zbudowane w sposób tradycyjny oparte na klasycznych założeniach dostarczają możliwie precy-zyjnych informacji. Sam proces budowy modelu opiera się na wstępnym wyborze zmiennych wykorzystanych do jego tworzenia. Umiejętna selekcja zmiennych ma istotny wpływ na uzyskane parametry. Wykorzystując rozwiązanie przedstawione w tej pracy otrzymujemy model ze wstępnie dobranym optymalnym zbiorem treningowym. W kolejnych rozdziałach omówiono istotę analityki predykcyjnej, proces uczenia maszyno-wego, budowę drzewa decyzyjnego, pokazano przykład regresji wykorzystującego AdaBoost.

EN

This article describes the use of artificial intelligence in regression calculations. Models built in a traditional manner based on classical assumptions provide the most precise information possi-ble. The model building process itself is based on the initial selection of variables used to create it. Skillful selection of variables has a significant impact on the obtained parameters. Using the solu-tion presented in this work, we get a model with a pre-selected optimal training set. The following chapters discuss the essence of predictive analytics, the machine learning pro-cess, the construction of a decision tree, an example of regression using AdaBoost.

Keywords

PL

AdaBoost; sztuczna inteligencja

EN

AdaBoost; artificial intelligence

• Publisher: Uniwersytet Rzeszowski
• Journal: Dydaktyka informatyki
• Year: 2019
• Volume: 14
• Pages: 162-169

Dates

published

2019

Contributors

author

Wołoszyn Jacek

• Uniwersytet Technologiczno-Humanistyczny w Radomiu

References

• Boschetti A., Massaron L., Python Podstawy nauki o danych, Helion, Gliwice 2017.
• Hilpisch Y., Derivatives Analytics with Python, Wiley 2015.
• Pedregosa F., Varoquaux G., Gramfort A., Michel V., Goodrich M., Tamassia R., Goldwasser M., Data Structures and Algorithms in Python, Wiley 2013.
• Raschka S., Mirjalili V., Python Machine Learning Packt 2017.
• Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É., 12 Scikit-learn: Machine Learning in Python (Oct):2825−2830, 2011.

Identifiers

DOI

10.15584/di.2019.14.13