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 "ensemble model" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Ensembling a linear regression model with an error mitigation component
    Autorzy:
    Nowosielski, A.
    Kowalski, P. A.
    Kulczycki, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/950759.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
    Tematy:
    ensemble model
    error mitigation
    regression model
    linear regression
    FPA
    RSS
    RSE
    model regresji
    regresja liniowa
    Opis:
    This paper presents a proposal of a model error mitigation technique based on the error distribution analysis of the original model and creatng the additional model that tempers the error impact in particular domain areas identified as the most sensitive. both models are then combined into single ensemble model. The idea is demonstrated on the trivial two-dimensional linear regression model.
    Źródło:
    Journal of Automation Mobile Robotics and Intelligent Systems; 2018, 12, 1; 40-43
    1897-8649
    2080-2145
    Pojawia się w:
    Journal of Automation Mobile Robotics and Intelligent Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Stacking Artificial Intelligence Models for Predicting Water Quality Parameters in Rivers
    Autorzy:
    Almadani, Mohammad
    Kheimi, Marwan
    Powiązania:
    https://bibliotekanauki.pl/articles/2202356.pdf
    Data publikacji:
    2023
    Wydawca:
    Polskie Towarzystwo Inżynierii Ekologicznej
    Tematy:
    dissolved oxygen
    water quality
    ensemble-stacking model
    meta-learner
    Opis:
    Scrutinizing the changes in the quality of river water is one of the main factors of monitoring the quality of natural flows, which plays a crucial role in the sustainable management of these ecosystems. The concentration of dissolved oxygen (DO) in river water is one of the most important indicators of quality management in such water bodies. From an environmental point of view, exceeding the permissible and natural decay capacity of pollutants in natural streams leads to a decrease in DO and, consequently, causes serious risks for the survival of aquatic life in related ecosystems. Hence, in the present study, 10 daily variables with the amount of dissolved oxygen on the same day were collected and evaluated from Allen County. Moreover, half of these variables were chosen as effective inputs to the model based on statistical analysis, so as to calculate the dissolved oxygen concentration parameter. Modeling with artificial intelligence approaches was implemented in the form of four individual methods: ANFIS-PSO, OS-ELM, Bagging-RF and Boosting CART, and two ensemble-stacking methods: SMA and Meta-learner MLP. The outcomes of estimating the DO with RMSE, MAE, GRI, r, and MBE criteria and marginal-scatter and subject profile diagrams were discussed. Moreover, the efficiency of the models in estimating the outlier of the observational data was scrutinized by subject profile diagram. Finally, it was found that the Meta-learner MLP model with RMSE of 0.965 mg/L had improvement in performance by 8.8%, 8.9%, 22.3%, 24.9% and 27.6%, respectively, compared to SMA, Boosting CART, Bagging-RF, ANFIS-PSO and OS-ELM methods. This remarkable improvement led to recommendations for using stacking techniques in water quality modeling and simulation.
    Źródło:
    Journal of Ecological Engineering; 2023, 24, 2; 152--164
    2299-8993
    Pojawia się w:
    Journal of Ecological Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Imitation learning of car driving skills with decision trees and random forests
    Autorzy:
    Cichosz, P.
    Pawełczak, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/329901.pdf
    Data publikacji:
    2014
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    imitation learning
    behavioral cloning
    model ensemble
    random forest
    control
    autonomous driving
    car racing
    decision tree
    drzewo decyzyjne
    lasy losowe
    sterowanie
    wyścigi samochodowe
    Opis:
    Machine learning is an appealing and useful approach to creating vehicle control algorithms, both for simulated and real vehicles. One common learning scenario that is often possible to apply is learning by imitation, in which the behavior of an exemplary driver provides training instances for a supervised learning algorithm. This article follows this approach in the domain of simulated car racing, using the TORCS simulator. In contrast to most prior work on imitation learning, a symbolic decision tree knowledge representation is adopted, which combines potentially high accuracy with human readability, an advantage that can be important in many applications. Decision trees are demonstrated to be capable of representing high quality control models, reaching the performance level of sophisticated pre-designed algorithms. This is achieved by enhancing the basic imitation learning scenario to include active retraining, automatically triggered on control failures. It is also demonstrated how better stability and generalization can be achieved by sacrificing human-readability and using decision tree model ensembles. The methodology for learning control models contributed by this article can be hopefully applied to solve real-world control tasks, as well as to develop video game bots.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2014, 24, 3; 579-597
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Measures of Diversity and the Classification Error in the Multiple-model Approach
    Miary zróżnicowania modeli a błąd klasyfikacji w podejściu wielomodelowym
    Autorzy:
    Gatnar, Eugeniusz
    Powiązania:
    https://bibliotekanauki.pl/articles/905052.pdf
    Data publikacji:
    2009
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    Multiple-model approach
    Model fusion
    Classifier ensemble
    Diversity measures
    Opis:
    Multiple-model approach (model aggregation, model fusion) is most commonly used in classification and regression. In this approach K component (single) models C1(x), C1(x), … , CK(x) are combined into one global model (ensemble) C*(x), for example using majority voting: K C* = arg max {Σ I (Ck(x)=y)} (1) y k=1 Turner i Ghosh (1996) proved that the classification error of the ensemble C*(x) depends on the diversity of the ensemble members. In other words, the higher diversity of component models, the lower classification error of the combined model. Since several diversity measures for classifier ensembles have been proposed so far in this paper we present a comparison of the ability of selected diversity measures to predict the accuracy of classifier ensembles.
    Podejście wielomodelowe (agregacja modeli), stosowane najczęściej w analizie dyskryminacyjnej i regresyjnej, polega na połączeniu M modeli składowych C1(x), ..., CM(x) jeden model globalny C*(x): K C* = arg max {Σ I (Cm(x)=y)} y k=1 Turner i Ghosh (1996) udowodnili, że błąd klasyfikacji dla modelu zagregowanego C*(x) zależy od stopnia podobieństwa (zróżnicowania) modeli składowych. Inaczej mówiąc, najbardziej dokładny model C*(x) składa się z modeli najbardziej do siebie niepodobnych, tj. zupełnie inaczej klasyfikujących te same obiekty. W literaturze zaproponowano kilka miar pozwalających ocenić podobieństwo (zróżnicowanie) modeli składowych w podejściu wielomodelowym. W artykule omówiono związek znanych miar zróżnicowania z oceną wielkości błędu klasyfikacji modelu zagregowanego.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2009, 225
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Combining different types of classifiers
    Łączenie różnych rodzajów modeli dyskryminacyjnych
    Autorzy:
    Gatnar, Eugeniusz
    Powiązania:
    https://bibliotekanauki.pl/articles/907037.pdf
    Data publikacji:
    2008
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    multiple-model approach
    model fusion
    classifier ensemble
    diversity measures
    Opis:
    Model fusion has proved to be a very successful strategy for obtaining accurate models in classification and regression. The key issue, however, is the diversity of the component classifiers because classification error of an ensemble depends on the correlation between its members. The majority of existing ensemble methods combine the same type of models, e.g. trees. In order to promote the diversity of the ensemble members, we propose to aggregate classifiers of different types, because they can partition the same classification space in very different ways (e.g. trees, neural networks and SVMs).
    Łączenie modeli okazało się być bardzo efektywną strategią poprawy jakości predykcji modeli dyskryminacyjnych. Kluczowym zagadnieniem, jak wynika z twierdzenia Turnera i Ghosha (1996), jest jednak stopień różnorodności agregowanych modeli, tzn. im większa korelacja między wynikami klasyfikacji tych modeli, tym większy błąd. Większość znanych metod łączenia modeli, np. RandomForest zaproponowany przez Breimana (2001), agreguje modele tego samego typu w różnych przestrzeniach cech. Aby zwiększyć różnice między pojedynczymi modelami, w referacie zaproponowano łączenie modeli różnych typów, które zostały zbudowane w tej samej przestrzeni zmiennych (np. drzewa klasyfikacyjne i modele SVM). W eksperymentach wykorzystano 5 klas modeli: liniowe i kwadratowe modele dyskryminacyjne, drzewa klasyfikacyjne, sieci neuronowe, oraz modele zbudowane za pomocą metody £-najbliższych sąsiadów (k-NN) i metody wektorów nośnych (SVM). Uzyskane rezultaty pokazują, że modele zagregowane powstałe w wyniku łączenia różnych modeli są bardziej dokładne niż gdy modele składowe są tego samego typu.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2008, 216
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An advanced ensemble modeling approach for predicting carbonate reservoir porosity from seismic attributes
    Autorzy:
    Topór, Tomasz
    Sowiżdżał, Krzysztof
    Powiązania:
    https://bibliotekanauki.pl/articles/27310145.pdf
    Data publikacji:
    2023
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    machine learning
    model stacking
    ensemble method
    carbonates
    seismic attributes
    porosity prediction
    Opis:
    This study uses a machine learning (ML) ensemble modeling approach to predict porosity from multiple seismic attributes in one of the most promising Main Dolomite hydrocarbon reservoirs in NW Poland. The presented workflow tests five different model types of varying complexity: K-nearest neighbors (KNN), random forests (RF), extreme gradient boosting (XGB), support vector machine (SVM), single layer neural network with multilayer perceptron (MLP). The selected models are additionally run with different configurations originating from the pre-processing stage, including Yeo–Johnson transformation (YJ) and principal component analysis (PCA). The race ANOVA method across resample data is used to tune the best hyperparameters for each model. The model candidates and the role of different pre-processors are evaluated based on standard ML metrics – coefficient of determination (R2), root mean squared error (RMSE), and mean absolute error (MAE). The model stacking is performed on five model candidates: two KNN, two XGB, and one SVM PCA with a marginal role. The results of the ensemble model showed superior accuracy over single learners, with all metrics (R2 0.890, RMSE 0.0252, MAE 0.168). It also turned out to be almost three times better than the neural net (NN) results obtained from commercial software on the same testing set (R2 0.318, RMSE 0.0628, MAE 0.0487). The spatial distribution of porosity from the ensemble model indicated areas of good reservoir properties that overlap with hydrocarbon production fields. This observation completes the evaluation of the ensemble technique results from model metrics. Overall, the proposed solution is a promising tool for better porosity prediction and understanding of heterogeneous carbonate reservoirs from multiple seismic attributes.
    Źródło:
    Geology, Geophysics and Environment; 2023, 49, 3; 245--260
    2299-8004
    2353-0790
    Pojawia się w:
    Geology, Geophysics and Environment
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Three months of “Cumbre Vieja” : analysis of consequences of volcano eruption
    Trzy miesiące “Cumbre Vieja” : analiza skutków erupcji wulkanu
    Autorzy:
    Mazur, Andrzej
    Powiązania:
    https://bibliotekanauki.pl/articles/2203121.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    volcano eruption
    atmospheric dispersion
    Eulerian model
    lagged-ensemble
    erupcja
    wulkan
    dyspersja
    eulerowski model
    powietrze
    związki siarki
    zanieczyszczenie powietrza atmosferycznego
    Opis:
    The work describes the methodology and results of analysis for the consequences assessment of eruption from Cumbre Vieja volcano in Canary Islands. The preliminary analysis of dispersion of emitted pollutants was performed using Lagrangian trajectories model. To estimate long-term outcomes of eruption in terms of deposition and concentration of eruption products the Eulerian model of air dispersion was used. The model uses data from Global Forecasting System meteorological model launched at the NCEP-NOAA centre. The average concentration and deposition of sulfur compounds as well as the probability and time of the pollution cloud reaching all European capitals were examined. In 90 days a cloud of pollutants (SO2, volcanic ashes) spread over the northern hemisphere. Pollution reached Africa, North Sea and Europe. With an average emission of 15,000 tons of SO2/day, the maximum calculated deposition to the Earth’s surface reached 0.8g/m2, while overall deposition – 35 kilotons in the domain area.
    W pracy opisano metodykę i wyniki oceny skutków erupcji wulkanu Cumbre Vieja na Wyspach Kanaryjskich. Wstępną analizę dyspersji emitowanych zanieczyszczeń przeprowadzono z wykorzystaniem modelu trajektorii Lagrange’a. Do oszacowania długoterminowych skutków erupcji pod względem osadzania i koncentracji produktów erupcji wykorzystano eulerowski model dyspersji powietrza. W modelu wykorzystano dane z modelu meteorologicznego Global Forecasting System uruchomianego w ośrodku NCEP-NOAA. Zbadano średnie stężenie i depozycję związków siarki oraz prawdopodobieństwo i czas dotarcia chmury zanieczyszczeń do wszystkich stolic europejskich. W ciągu 90 dni chmura zanieczyszczeń (dwutlenek siarki, popioły wulkaniczne) rozprzestrzeniła się na półkuli północnej. Zanieczyszczenia dotarły do Afryki, Morza Północnego i Europy. Przy średniej emisji 15 000 ton dwutlenku siarki na dobę maksymalna wyliczona depozycja na powierzchni Ziemi osiągnęła 0,8 g na metr kwadratowy, a ogólna depozycja 35 kiloton w obszarze domeny.
    Źródło:
    Archives of Environmental Protection; 2022, 48, 3; 99--108
    2083-4772
    2083-4810
    Pojawia się w:
    Archives of Environmental Protection
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      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