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 "smoothing parameter" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Some Remarks on the Choice of the Kernel Function in Density Estimation
    Uwagi o wyborze funkcji jądra w estymacji funkcji gęstości
    Autorzy:
    Baszczyńska, Aleksandra
    Powiązania:
    https://bibliotekanauki.pl/articles/904689.pdf
    Data publikacji:
    2005
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    density estimation
    kernel function
    smoothing parameter
    Opis:
    Funkcja gęstości jest jedną z podstawowych charakterystyk opisujących zachowanie się zmiennej losowej. Najczęściej wykorzystywaną metodą nieparametrycznej estymacji jest estymacja jądrowa. W procesie konstrukcji estymatora konieczne są dwie decyzje, dotyczące parametrów metody: wybór funkcji jąd ra K(u) oraz wybór parametru wygładzania h. W pracy nacisk położono n a wpływ wyboru funkcji jąd ra na wielkość parametru wygładzania. Eksperyment Monte Carlo dotyczy siedmiu funkcji jądra (gausowskiej, równomiernej, trójkątnej, epanechnikowa, dwukwadratowej, trójkwadratowej i kosinusowej) w estymacji jądrowej funkcji gęstości.
    The basic characteristic describing the behaviour of the random variable is its density function. Kernel density estimation is one of the most widely used nonparametric density estimations. In the process of constructing the estimator we have to choose two parameters of the method: the kernel function K(u) and smoothing parameter h (bandwidth). In the paper, kernel method is discussed in detail, with particular emphasis on influence of the choice of the kernel function K(u) on the quantity of smooothing. Monte Carlo study is presented, where seven kernel functions (Gaussian, Uniform, Triangle, Epanechnikov, Quartic, Triweight, Cosinus) are used in density estimation.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2005, 194
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Choice of the Smoothing Parameter in Kernel Density Estimation
    Wybór parametru wygładzania w estymacji jądrowej funkcji gęstości
    Autorzy:
    Baszczyńska, Aleksandra
    Powiązania:
    https://bibliotekanauki.pl/articles/905695.pdf
    Data publikacji:
    2006
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    density estimation
    kernel function
    smoothing parameter
    practical rules
    cross-validation
    Opis:
    Kernel density estimation is one of the main methods available for univariate density estimation. The problems of choosing the kernel function and choosing the smoothing parametr are of crucial importance in density estimation. Various methods, used in practice, for choosing smoothing parametr are discussed. Some of them are simple, some complicated in calculations, but it must be emphasized that the appropriate choice of method for choosing parameter depends on the purpose for which the density estimate is to be used. Monte Carlo study is presented, where three “practical rules" and two forms of crossvalidation (maximum likelihood CV and least-squares CV) are used in density estimation. The values of smoothing parameters are compared with the “optimal” one, which is obtained by minimizing mean squared error. In all mentioned studies the accuracy of the estimation, measured by mean squared error, is considered.
    Jądrowa estymacja jest jedną z podstawowych metod nieparametrycznej estymacji funkcji gęstości. Zagadnienie wyboru funkcji jądra oraz wyboru właściwej wartości parametru wygładzania traktowane są jako zasadnicze w estymacji funkcji gęstości. W pracy rozważane są różne metody wyboru parametru wygładzania w estymacji jądrowej, od metod najprostszych do nieco bardziej złożonych. Należy podkreślić jednak, iż wybór metody wyboru parametru wygładzania zależy od celu dokonywanej estymacji charakterystyki funkcyjnej. W artykule przedstawiono również wyniki z przeprowadzonego eksperymentu Monte Carlo, gdzie rozważano trzy „praktyczne zasady” wyboru parametru wygładzania oraz dwie metody cross-validation (największej wiarygodności i najmniejszych kwadratów). Wartości tak otrzymanych parametrów wygładzania są porównywane z parametrem otrzymanym poprzez minimalizację błędu średniokwadratowego, traktowanym jako parametr „optymalny” .
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2006, 196
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Some Nonparametric Estimators of Regression Function
    Wybrane nieparametryczne estymatory funkcji regresji
    Autorzy:
    Baszczyńska, Aleksandra
    Powiązania:
    https://bibliotekanauki.pl/articles/906895.pdf
    Data publikacji:
    2007
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    regression function
    kernel function
    smoothing parameter
    k-nearest neighbour method
    kernel method
    Opis:
    In the paper some nonparametric estimators of regression function are studied: Nadaraya-Watson estimator and k-nearest neighbour one. Properties of these estimators and possibilities of using them in practice are taken into consideration. A comparative study of the two estimators is presented. Different techniques of choosing method’s parameters (kernel function, smoothing parameter h and parameter k) are used in this study to choose the optimal ones. Some practical rules are proposed and they are used in this study.
    W pracy przedstawiono wybrane dwa nieparametryczne estymatory funkcji regresji: estymator jądrowy Nadaraya-Watsona oraz estymator k-najbliższego sąsiada. Podano ich własności, możliwości wykorzystania oraz dokonano porównania tych estymatorów. Przedstawiono również przykład zastosowania estymatora jądrowego regresji z uwzględnieniem właściwego doboru parametrów metody (funkcji jądra i parametru wygładzania h) oraz estymatora k-najbliższego sąsiada z uwzględnieniem właściwego doboru parametru k. Zaproponowano również praktyczne zasady wyboru parametrów estymacji funkcji regresji i wykorzystano je w przykładzie.
    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:
    Empirical and Kernel Estimation of the ROC Curve
    EMPIRYCZNY I JĄDROWY ESTYMATOR KRZYWEJ ROC
    Autorzy:
    Baszczyńska, Aleksandra Katarzyna
    Powiązania:
    https://bibliotekanauki.pl/articles/654315.pdf
    Data publikacji:
    2015
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    krzywa ROC curve
    empiryczny estymator
    metoda jądrowa
    parametr wygładzania
    funkcja jądra
    ROC curve
    empirical estimator
    kernel method
    smoothing parameter
    kernel function
    Opis:
    W pracy rozważane są wybrane metody estymacji krzywej ROC (Receiver Operating Characteristic), w tym metody parametryczne i nieparametryczne. Podejście nieparametryczne może oznaczać zastosowanie empirycznego estymatora krzywej ROC lub  estymatora jądrowego. Podjęta jest próba porównania estymacji empirycznej oraz jądrowej ze szczególnym uwzględnieniem wpływu liczebności próby, jak również metody wyboru parametru wygładzania i funkcji jądra na rezultat procedury estymacyjnej. W oparciu o wyniki badania symulacyjnego określone są wskazówki użyteczne w procedurach estymacji krzywej ROC.
    The paper presents chosen methods for estimating the ROC (Receiver Operating Characteristic) curve, including parametric and nonparametric procedures. Nonparametric  approach may involve the use of empirical method or kernel method of the ROC curve estimation. In the analysis, an attempt of comparison of empirical and kernel ROC estimators is done, considering the impact of sample size, choice of smoothing parameter and kernel function in kernel estimation on the results of the estimation. Based on the results of simulation studies, some suggestions, useful in the procedures of nonparametric ROC curve are determined.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2015, 1, 311
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      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