Informacja

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

Wyszukujesz frazę "algorytm regresyjny" wg kryterium: Wszystkie pola


Wyświetlanie 1-2 z 2
Tytuł:
Regresyjny algorytm pomiaru wartości kąta przesunięcia fazowego
The regression algorithm for phase angle measurement
Autorzy:
Szlachta, A.
Kowalczyk, A.
Powiązania:
https://bibliotekanauki.pl/articles/158033.pdf
Data publikacji:
2007
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
warunkowe uśrednianie sygnałów
algorytm regresyjny
niepewność pomiaru
conditional averaging of signals
phase angle
uncertainty of measurement result
Opis:
W artykule przedstawiono algorytm do pomiaru kąta przesunięcia fazowego, wykorzystujący warunkowe uśrednianie sygnałów.
In this paper the regression algorithm was presented. It works using conditional averaging for phase angle measurement.
Źródło:
Pomiary Automatyka Kontrola; 2007, R. 53, nr 12, 12; 25-26
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
O wpływie wybranych metod selekcji nieliniowych zmiennych objaśniających na jakość modeli regresyjnych
On the impact of some methods of selection nonlinear variables on quality of regression models
Autorzy:
Stelmach, Jacek
Powiązania:
https://bibliotekanauki.pl/articles/591998.pdf
Data publikacji:
2015
Wydawca:
Uniwersytet Ekonomiczny w Katowicach
Tematy:
Algorytm genetyczny
Model regresyjny
Selekcja predyktorów
Genetic algorithm
Regression model
Selection of predictors
Opis:
Najpopularniejsza parametryczna metoda najmniejszych kwadratów oraz jej rozszerzenia (regresja grzbietowa, metoda LASSO, metoda LARS, regresja BRIDGE) pozwalają na budowę addytywnych modeli liniowych. W rzeczywistości często mamy do czynienia z nieliniowymi zależnościami, a użyteczna informacja jest powtarzana w wielu zmiennych objaśniających. Bezkrytyczne wykorzystanie wszystkich takich dostępnych zmiennych może prowadzić do naruszenia założeń Gaussa-Markowa i najczęściej obniża jako ść modeli regresyjnych. Znane metody selekcji pozwalają na wybór zmiennych, które wnoszą najwięcej użytecznej informacji, ograniczając jednocześnie zbędny szum. Opisany eksperyment weryfikuje metodą symulacji komputerowej jakość modeli regresyjnych otrzymanych za pomocą wybranych metod parametrycznych, dla których przeprowadzono selekcję predyktorów, wykorzystując: drzewa regresyjne, regresję grzbietową oraz algorytm genetyczny.
The most common parametric Ordinary Least Squares Method and its extension (ridge regression, LASSO and LARS methods, BRIDGE regression) allow to build additive linear models. In reality, we often have to deal with non-linear dependencies, and useful information is repeated in a number of explanatory variables. Use of all available variables can lead to violations of Gauss-Markow assumptions and frequently reduces the quality of regression models. Known methods of selection allow to select the variables that contribute the most useful information, reducing unnecessary noise. Described experiment verifies, by computer simulation, quality of regression models obtained using selected parametric methods, for which the selection was carried out using: regression trees, ridge regression and genetic algorithm.
Źródło:
Studia Ekonomiczne; 2015, 219; 79-96
2083-8611
Pojawia się w:
Studia Ekonomiczne
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    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