Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "gradient" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    APPLICATION OF MIXED MODELS AND FAMILIES OF CLASSIFIERS TO ESTIMATION OF FINANCIAL RISK PARAMETERS
    Autorzy:
    Grzybowska, Urszula
    Karwański, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/452746.pdf
    Data publikacji:
    2015
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Katedra Ekonometrii i Statystyki
    Tematy:
    LGD
    mixed models
    random forests
    gradient boosting
    Opis:
    The essential role in credit risk modeling is Loss Given Default (LGD) estimation. LGD is treated as a random variable with bimodal distribution. For LGD estimation advanced statistical models such as beta regression can be applied. Unfortunately, the parametric methods require amendments of the “inflation” type that lead to mixed modeling approach. Contrary to classical statistical methods based on probability distribution, the families of classifiers such as gradient boosting or random forests operate with information and allow for more flexible model adjustment. The problem encountered is comparison of obtained results. The aim of the paper is to present and compare results of LGD modeling using statistical methods and data mining approach. Calculations were done on real life data sourced from one of Polish large banks.
    Źródło:
    Metody Ilościowe w Badaniach Ekonomicznych; 2015, 16, 1; 108-115
    2082-792X
    Pojawia się w:
    Metody Ilościowe w Badaniach Ekonomicznych
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predictive Business Process Monitoring with Tree-based Classification Algorithms
    Autorzy:
    Owczarek, Tomasz
    Janke, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/503954.pdf
    Data publikacji:
    2018
    Wydawca:
    Międzynarodowa Wyższa Szkoła Logistyki i Transportu
    Tematy:
    business process
    prediction
    classification
    random forest
    gradient boosting
    Opis:
    Predictive business process monitoring is a current research area which purpose is to predict the outcome of a whole process (or an element of a process i.e. a single event or task) based on available data. In the article we explore the possibility of use of the machine learning classification algorithms based on trees (CART, C5.0, random forest and extreme gradient boosting) in order to anticipate the result of a process. We test the application of these algorithms on real world event-log data and compare it with the known approaches. Our results show that.
    Źródło:
    Logistics and Transport; 2018, 40, 4; 73-82
    1734-2015
    Pojawia się w:
    Logistics and Transport
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Multiple Additive Regression Trees (MART) and their Application
    Addytywna metoda budowy drzew regresyjnych (MART) i jej zastosowanie
    Autorzy:
    Trzęsiok, Joanna
    Powiązania:
    https://bibliotekanauki.pl/articles/906893.pdf
    Data publikacji:
    2007
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    multivariate regression
    adaptive method
    regression trees
    gradient boosting
    MART
    Opis:
    Multiple additive regression trees MART is a methodology for trying to solve prediction problems in regression and classification. It’s one of the boosting methods. It was introduced by J. H. Friedman (1999a). Besides accuracy, its primary goal is robustness. It lends to be resistant against outliers, missing values, and the inclusion of potentially large numbers of irrelevant predictor variables that have little or no effect on the response. In this paper the MART algorithm and their applications will be discussed.
    Addytywna metoda budowy drzew regresyjnych (MART), została zaproponowana przez J. H. Friedmana w 1999 r. (1999a, b). Jest to jedna z metod agregacyjnych, mająca zastosowanie w regresji i dyskryminacji opierająca się na modelach w postaci drzew. Jej zaletami, poza dokładnością predykcji, jest odporność na wartości oddalone i braki danych. Bardzo dobrze radzi sobie również z dużą liczbą zmiennych objaśniających, wśród których wiele może nie mieć istotnego wpływu na zmienną zależną. W artykule przedstawiona została ogólna idea metod agregacyjnych. Zaprezentowano i omówiono kolejne kroki algorytmu MART, a następnie, dla ilustracji, podany został przykład zastosowania procedury MART dla zbioru danych „Boston”.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2007, 206
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of ensemble gradient boosting decision trees to forecast stock price on WSE
    Autorzy:
    Dadej, Mateusz
    Powiązania:
    https://bibliotekanauki.pl/articles/518035.pdf
    Data publikacji:
    2019
    Wydawca:
    Uniwersytet Gdański. Wydział Ekonomiczny
    Tematy:
    equity investments
    artificial intelligence
    machine learning
    algorithmic trading strategy
    gradient boosting
    Opis:
    The main purpose of this article is to apply machine learning model based on ensemble of gradient boosted decision trees to forecast direction of share prices of Bank Handlowy S.A listed on WSE. In the introduction, the author presented the context of machine learning and its application in forecasting stock prices. Afterwards, the author describes the process of building classification model which uses XGboost framework from data preprocessing to model evaluation. The input features of the model were technical analysis indicators, like stochastic oscillators or moving averages. Output of the model was a direction of stock price after one week. The accuracy of the model based on testing dataset is 72%. The author also performed a simulation, based on the model. The simulation was made with the Monte Carlo method which stochastic process had a Laplace distribution. During interpretation, at the end, the author pointed limitations of model and algorithmic trading strategy evaluation techniques based on backtest.
    Celem niniejszego artykułu jest wykorzystanie modelu z dziedziny uczenia maszynowego opartego na algorytmie zespołu wzmocnionych gradientowo drzew decyzyjnych do prognozowania kierunku zmian kursu akcji Banku Handlowego S.A. notowanego na GPW. We wstępie został przedstawiony kontekst uczenia maszynowego oraz wykorzystania go do prognozowania cen akcji. Następnie, przedstawiono proces tworzenia modelu klasyfikacyjnego wykorzystujący strukturę XGboost od etapu przetwarzania danych do jego ewaluacji. Danymi wejściowymi modelu były wskaźniki wykorzystywane w analizie technicznej, m.in. oscylatory stochastyczne oraz średnie ruchome, natomiast danymi wyjściowymi były kierunki zmian kursu na przestrzeni następnego tygodnia. Skuteczność modelu na danych testowych wyniosła 72%. Na końcu przeprowadzono symulacje portfela inwestycyjnego, podejmującego decyzje o transakcjach na podstawie wcześniej stworzonego modelu, wykorzystując metodę Monte Carlo w której dynamika procesów stochastycznych miała rozkład Laplace’a. Przy interpretacji wyników portfela inwestycyjnego wskazano ograniczenia ewaluacji modelu i strategii inwestycyjnej opartej o backtest.
    Źródło:
    Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”; 2019, 9; 265-275
    1731-6707
    Pojawia się w:
    Zeszyty Studenckie Wydziału Ekonomicznego „Nasze Studia”
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    FAMILIES OF CLASSIFIERS – APPLICATION IN DATA
    Autorzy:
    Grzybowska, Urszula
    Karwański, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/453604.pdf
    Data publikacji:
    2014
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Katedra Ekonometrii i Statystyki
    Tematy:
    random forests
    gradient boosting
    DEA
    rating classes
    variable selection
    ranking
    high rated portfolio
    Opis:
    Economic description of firms and companies is based on a number of indicators. The indicators are related to each other and can be considered only in a specific context. Regression models allow for such approach. Unfortunately, the problems we deal with are usually nonlinear and the choice of relevant information is very difficult. The aim of the paper is to present a method of variable selection based on random forest and gradient boosting approach and its application to companies ranking in DEA method. The results will be compared with the ordering obtained using expert supported approach for variable selection in DEA.
    Źródło:
    Metody Ilościowe w Badaniach Ekonomicznych; 2014, 15, 2; 94-101
    2082-792X
    Pojawia się w:
    Metody Ilościowe w Badaniach Ekonomicznych
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Enhancing the performance of deep learning technique by combining with gradient boosting in rainfall-runoff simulation
    Autorzy:
    Abdullaeva, Barno S.
    Powiązania:
    https://bibliotekanauki.pl/articles/28411647.pdf
    Data publikacji:
    2023
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    deep learning
    gradient boosting
    hybrid model
    multi-step ahead forecasting
    rainfall-runoff simulation
    Opis:
    Artificial neural networks are widely employed as data mining methods by researchers across various fields, including rainfall-runoff (R-R) statistical modelling. To enhance the performance of these networks, deep learning (DL) neural networks have been developed to improve modelling accuracy. The present study aims to improve the effectiveness of DL networks in enhancing the performance of artificial neural networks via merging with the gradient boosting (GB) technique for daily runoff data forecasting in the river Amu Darya, Uzbekistan. The obtained results showed that the new hybrid proposed model performed exceptionally well, achieving a 16.67% improvement in determination coefficient (R2) and a 23.18% reduction in root mean square error (RMSE) during the training phase compared to the single DL model. Moreover, during the verification phase, the hybrid model displayed remarkable performance, demonstrating a 66.67% increase in R2 and a 50% reduction in RMSE. Furthermore, the hybrid model outperformed the single GB model by a significant margin. During the training phase, the new model showed an 18.18% increase in R2 and a 25% reduction in RMSE. In the verification phase, it improved by an impressive 75% in R2 and a 33.33% reduction in RMSE compared to the single GB model. These findings highlight the potential of the hybrid DL-GB model in improving daily runoff data forecasting in the challenging hydrological context of the Amu Darya River basin in Uzbekistan.
    Źródło:
    Journal of Water and Land Development; 2023, 59; 216--223
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    How machine learning algorithms are used in meteorological data classification: a comparative approach between DT, LMT, M5-MT, gradient boosting and GWLM-NARX models
    Autorzy:
    Fayaz, Sheikh Amir
    Zaman, Majid
    Butt, Muheet Ahmed
    Kaul, Sameer
    Powiązania:
    https://bibliotekanauki.pl/articles/38433812.pdf
    Data publikacji:
    2022
    Wydawca:
    Polskie Towarzystwo Promocji Wiedzy
    Tematy:
    meteorological data
    M5 model tree
    linear model functions
    gradient boosting
    logistic model tree
    Opis:
    Rainfall prediction is one of the most challenging task faced by researchers over the years. Many machine learning and AI based algorithms have been implemented on different datasets for better prediction purposes, but there is not a single solution which perfectly predicts the rainfall. Accurate prediction still remains a question to researchers. We offer a machine learning-based comparison evaluation of rainfall models for Kashmir province. Both local geographic features and the time horizon has influence on weather forecasting. Decision trees, Logistic Model Trees (LMT), and M5 model trees are examples of predictive models based on algorithms. GWLM-NARX, Gradient Boosting, and other techniques were investigated. Weather predictors measured from three major meteorological stations in the Kashmir area of the UT of J&K, India, were utilized in the models. We compared the proposed models based on their accuracy, kappa, interpretability, and other statistics, as well as the significance of the predictors utilized. On the original dataset, the DT model delivers an accuracy of 80.12 percent, followed by the LMT and Gradient boosting models, which produce accuracy of 87.23 percent and 87.51 percent, respectively. Furthermore, when continuous data was used in the M5-MT and GWLM-NARX models, the NARX model performed better, with mean squared error (MSE) and regression value (R) predictions of 3.12 percent and 0.9899 percent in training, 0.144 percent and 0.9936 percent in validation, and 0.311 percent and 0.9988 percent in testing.
    Źródło:
    Applied Computer Science; 2022, 18, 4; 16-27
    1895-3735
    2353-6977
    Pojawia się w:
    Applied Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Boosting-based model for solving Sm-Co alloy’s maximum energy product prediction task
    Autorzy:
    Trostianchyn, A.M.
    Izonin, I.V.
    Duriagina, Z.A.
    Tkachenko, R.O.
    Kulyk, V.V.
    Havrysh, B.M.
    Powiązania:
    https://bibliotekanauki.pl/articles/24200577.pdf
    Data publikacji:
    2022
    Wydawca:
    Stowarzyszenie Komputerowej Nauki o Materiałach i Inżynierii Powierzchni w Gliwicach
    Tematy:
    Sm-Co alloy
    ensemble learning
    gradient boosting
    prediction accuracy
    Stop Sm-Co
    uczenie zespołowe
    dokładność przewidywania
    Opis:
    Purpose: This paper aims to decide the Sm-Co alloy’s maximum energy product prediction task based on the boosting strategy of the ensemble of machine learning methods. Design/methodology/approach: This paper examines an ensemble-based approach to solving Sm-Co alloy’s maximum energy product prediction task. Because classical machine learning methods sometimes do not supply acceptable precision when solving the regression problem, the authors investigated the boosting ML model, namely Gradient Boosting. Building a boosting model based on several weak submodels, each of which considers the errors of the prior ones, provides substantial growth in the accuracy of the problem-solving. The obtained result is confirmed using an actual data set collected by the authors. Findings: This work demonstrates the high efficiency of applying the ensemble strategy of machine learning to the applied problem of materials science. The experiments determined the highest accuracy of solving the forecast task for the maximum energy product of Sm-Co alloy formed on the boosting model of machine learning in comparison with classical methods of machine learning. Research limitations/implications: The boosting strategy of machine learning, in comparison with single algorithms of machine learning, requires much more computational and time resources to implement the learning process of the model. Practical implications: This work demonstrated the possibility of effectively solving Sm-Co alloy’s maximum energy product prediction task using machine learning. The studied boosting model of machine learning for solving the problem provides high accuracy of prediction, which reveals several advantages of their use in solving issues applied to computational material science. Furthermore, using the Orange modelling environment provides a simple and intuitive interface for using the researched methods. The proposed approach to the forecast significantly reduces the time and resource costs associated with studying expensive rare earth metals (REM)-based ferromagnetic materials. value: The authors have collected and formed a set of data on predicting the maximum energy product of the Sm-Co alloy. We used machine learning tools to solve the task. As a result, the most increased forecasting precision based on the boosting model is demonstrated compared to classical machine learning methods.
    Źródło:
    Archives of Materials Science and Engineering; 2022, 116, 2; 71--80
    1897-2764
    Pojawia się w:
    Archives of Materials Science and Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies