PL EN


2019 | 14 | 162-169
Article title

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

Authors
Content
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.
Year
Volume
14
Pages
162-169
Physical description
Dates
published
2019
Contributors
  • 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.
Document Type
Publication order reference
Identifiers
YADDA identifier
bwmeta1.element.desklight-0f9f03aa-f54b-4bdf-913b-0942cc798f84
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.