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 "logistic model tree" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Identyfikacja determinant braku odpowiedzi w badaniu polskich gospodarstw domowych
    An Attempt to Diagnose Determinants of Non-Response Rate in Polish Household Surveys
    Autorzy:
    Rószkiewicz, Małgorzata
    Powiązania:
    https://bibliotekanauki.pl/articles/1364911.pdf
    Data publikacji:
    2015-12-31
    Wydawca:
    Główny Urząd Statystyczny
    Tematy:
    wskaźnik braku odpowiedzi
    błąd braku reakcji
    błąd braku realizacji
    model
    regresji logistycznej
    procedura drzewa klasyfikacyjnego
    model hybrydowy
    no-response rate
    noncontact
    noncooperation
    logistic regression
    classification tree procedure
    hybrid model
    Opis:
    W artykule podjęto próbę identyfikacji czynników mających wpływ na poziom wskaźnika braku odpowiedzi w badaniu polskich gospodarstw domowych zrealizowanym w 2013 r. w ramach projektu Uwarunkowania Decyzji Edukacyjnych. Podstawą analizy były wyniki historii kontaktów z wylosowanymi jednostkami oraz wyniki zrealizowanych wywiadów. Odrębnie przeanalizowano uwarunkowania braku kontaktu oraz odmowy odpowiedzi. W identyfikacji czynników związanych z warunkami realizacji badania istotnie wpływających na prawdopodobieństwo braku odpowiedzi wykorzystano model hybrydowy łączący wielomianowy model regresji logistycznej oraz procedurę drzewa klasyfikacyjnego. Model regresji logistycznej wykorzystano również do identyfikacji cech gospodarstw domowych wpływających na brak odpowiedzi. Wyniki wskazały, że brak kontaktu i brak odpowiedzi stanowią odrębne wymiary, na których lokują się jednostki wybrane do badania, a reguły uczestnictwa w badaniu różnicują się względem cech społeczno-demograficznych. Skuteczna organizacja procesu badawczego powinna uwzględniać zarówno zróżnicowanie regionalne w dostępności i gotowości współpracy jak również w preferencjach respondentów względem sposobu nawiązywania kontaktów.
    Article focuses on the identification of factors affecting the non-response in Polish household surveys. The analyse uses data from the survey realized on a random sample of Polish households in 2013 in project Determinant of Educational Decisions. Logistic regression model and classification tree procedure and hybridization of this approach was used to identify factor affecting probability of non-responds. Noncontact and noncooperation in the study was considered separately. Results confirmed that noncontact and noncooperation are two entirely different processes and rules for participation in the study significantly differentiate into subpopulations of Polish households varied by socio-economic features. Efficient organization of the research process should take into account both regional differences in the availability and willingness of cooperation as well as the respondents’ preferences in regarding the way in making contacts.
    Źródło:
    Przegląd Statystyczny; 2015, 62, 4; 361-378
    0033-2372
    Pojawia się w:
    Przegląd Statystyczny
    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
      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