Search results

1

Boosting Regression Models

100%

Rozmus D., Department of Statistics T. K. A. U. o. E.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2009

|

vol. 228

PL

Boosting jest jedną z najlepszych metod agregacji modeli dyskryminacyjnych (Bauer, Kohavi, 1999). Liczne badania empiryczne potwierdzają możliwość znacznej poprawy jakości modeli klasyfikacyjnych, niewiele jednakże wiadomo na temat efektywności tej metody w przypadku modeli regresyjnych. Freund i Schapire (1995), stosując swój algorytm AdaBoost.R, podjęli próbę wykorzystania metody boosting do tego typu zagadnień. Głównym celem artykułu jest prezentacja nowej implementacji metody boosting w regresji, która opracowana została przez Ridgeway’a (2005). W przeprowadzonych eksperymentach zbadany został wpływ wartości podstawowych parametrów tego algorytmu, takich jak np. współczynnik uczenia, czy też liczba iteracji, na jakość modelu zagregowanego.

EN

In a wide variety of classification problems, boosting technique have proven to be very effective method for improving prediction accuracy (Bauer, Kohavi, 1999). While more evidence compiles about the utility of these technique in classification problems, little is known about their effectiveness in regression. Freund and Schapire (1995) gave a suggestion as to how boosting might improve regression models using their algorithm AdaBoost.R. The main aim of this article is to present an application of the new boosting method for regression problems which was introduced by Ridgeway (2005). We will discuss the influence of the main parameters of this algorithm, such as eg. learning rate or number of iterations on the model performance.

2

Gradient Boosting in Regression

100%

Gatnar E., University of Economics in Katowice I. o. S.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2005

|

vol. 194

PL

Szeroko stosowane w praktyce metody nieparametryczne wykorzystujące tzw. drzewa regresyjne mają jedną istotną wadę. Otóż wykazują one niestabilność, która oznacza, że niewielka zmiana wartości cech obiektów w zbiorze uczącym może prowadzić do powstania zupełnie innego modelu. Oczywiście wpływa to negatywnie na ich trafność prognostyczną. Tę wadę można jednak wyeliminować, dokonując agregacji kilku indywidualnych modeli w jeden. Znane są trzy metody agregacji modeli i wszystkie opierają się na losowaniu ze zwracaniem obiektów ze zbioru uczącego do kolejnych prób uczących: agregacja bootstrapowa (boosting), losowanie adaptacyjne (bagging) oraz metoda hybrydowa, łącząca elementy obu poprzednich. W analizie regresji szczególnie warto zastosować gradientową, sekwencyjną, odmianę metody boosting. W istocie polega ona wykorzystaniu drzew regrcsyjnych w kolejnych krokach do modelowania reszt dla modelu uzyskanego w poprzednim kroku.

EN

The successful tree-based methodology has one serious disadvantage: lack of stability. That is, regression tree model depends on the training set and even small change in a predictor value could lead to a quite different model. In order to solve this problem single trees are combined into one model. There are three aggregation methods used in classification: bootstrap aggregation (bagging), adaptive resample and combine (boosting) and adaptive bagging (hybrid bagging-boosting procedure). In the field of regression a variant of boosting, i.e. gradient boosting, can be used. Friedman (1999) proved that boosting is equivalent to a stepwise function approximation in which in each step a regression tree models residuals from last step model.

3

The Functions of Narrative Passages in Three Written Online Health Contexts

63%

Thurnherr F., Rudolf von Rohr M.-T., Locher M. A.

Open Linguistics

|

2016

|

vol. 2

|

issue 1

EN

This paper investigates and compares the functions of narrative passages in three computermediated health practices centering on advice-giving: (1) email counseling at a UK university, (2) online forums providing peer support for quitters of smoking, and (3) anti-smoking websites by UK governmental, commercial and charitable institutions. We found that the functions of the narrative passages are manifold and often overlapping. They range from seeking advice, giving advice, indicating/seeking agreement, supporting a claim, showing compliance with advice given to reporting on progress and success. In a second step, these insights were linked to how the narrative passages were used for identity construction and relational work. The results show that narratives are employed to create various identities, such as authentic advice-seekers, active self-helpers, successful quitters and advice-givers. Our comparison reveals that narrative functions utilized in all three practices exhibit nuanced differences due to medium factors and interactional goals of the practices. Finally, in these contexts of self-improvement, narratives document stability or transformation in the sense of clients’ improved health and smokers’ change to becoming non-smokers respectively.

Refine search results

2 Acta Universitatis Lodziensis. Folia Oeconomica

1 Open Linguistics

1 Department of Statistics T. K. A. U. o. E.

1 Gatnar E.

1 Locher M. A.

1 Rozmus D.

1 Rudolf von Rohr M.-T.

1 Thurnherr F.

1 University of Economics in Katowice I. o. S.

1 2016

1 2009

1 2005

Boosting Regression Models

Gradient Boosting in Regression

The Functions of Narrative Passages in Three Written Online Health Contexts