Symulacyjna ocena jakości zagregowanych modeli zbudowanych metodą wektorów nośnych

• Authors: Michał Trzęsiok

Title variants

EN

Benchmarking Aggregated Support Vector Regression Models

• Languages of publication: PL

Abstracts

EN

Support Vector Machines (SVM) are a state-of-the-art classification method, but they are also suitable, after a special reformulation, to perform a regression task. Similarly to classification, for a nonlinear regression problem, SVMs use the kernel trick and map the input space into a high-dimensional feature space first, and then perform linear regression in the high-dimensional feature space. One can use the model ensemble approach to try to improve the prediction accuracy. The paper presents the comparison of a single SVM, aggregated SVM and other regression models (linear regression, Projection Pursuit Regression, Neural Networks, Regression Trees, Random Forest, Bagging) by the means of a mean squared test set error.

Keywords

PL

Metoda wektorów nośnych (SVM); Modele matematyczne; Symulacja

EN

Mathematical models; Simulation; Support Vector Machines (SVM)

• Publisher: Uniwersytet Ekonomiczny w Katowicach
• Journal: Studia Ekonomiczne
• Year: 2013
• Volume: 132
• Pages: 115-126

Contributors

author

Michał Trzęsiok

References

• Breiman L.: Bagging Predictors.,,Machine Learning" 1996, No. 24.
• Cristianini N., Shawe-Taylor J.: An Introduction to Support Vector Machines (and Other Kernel-based Learning Methods). Cambridge University Press, Cambridge 2000.
• Friedman J.: Multivariate Adaptive Regression Splines. "The Annals of Statistics" 1991, 19 (1).
• Gatnar E.: Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji. Wydawnictwo Naukowe PWN, Warszawa 2008.
• Gunn S.R.: Support Vector Machines for Classification and Regression. Technical Report, Image Speech and Intelligent Systems Research Group, University of Southampton, 1997.
• Rozmus D.: Random forest jako metoda agregacji modeli dyskryminacyjnych. W: Taksonomia 11. Klasyfikacja i analiza danych - teoria i zastosowania. Red. K. Jajuga, M. Walesiak. Wydawnictwo Akademii Ekonomicznej, Wrocław 2004, s. 441-448.
• Smola A., Schölkopf B.: Learning with Kernels. Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge, USA, 2002.
• Trzęsiok M.: Analiza wybranych własności metody dyskryminacji wykorzystującej wektory nośne. W: Postępy ekonometrii. Red. A.S. Barczak. Wydawnictwo Akademii Ekonomicznej, Katowice 2004, s. 331-342.
• Trzęsiok M.: Metoda wektorów nośnych w konstrukcji nieparametrycznych modeli regresji. W: Taksonomia 12. Klasyfikacja i analiza danych. Red. K. Jajuga, M. Walesiak. Wydawnictwo Akademii Ekonomicznej, Wrocław 2005, s. 501-510.
• Vapnik V.: Statistical Learning Theory. John Wiley & Sons, Nowy Jork 1998.

Identifiers

ISSN

2083-8611