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 "statistical classifier" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Modele regresji Bayesa w analizach bezpieczeństwa ruchu drogowego
    Bayesian regression models in the analyses of road traffic safety
    Autorzy:
    Nowakowska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/144202.pdf
    Data publikacji:
    2016
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
    Tematy:
    Bayesian regression
    regresja Bayesa
    aprioryczne rozkłady parametrów modelu
    klasyfikator statystyczny
    ciężkość wypadku drogowego
    kierujący sprawca wypadku
    model parameters prior distributions
    statistical classifier
    road accident severity
    at fault driver
    Opis:
    W artykule przybliżono koncepcję modelu regresji Bayesa oraz przedstawiono wykorzystanie tego modelu w budowaniu statystycznego klasyfikatora ciężkości wypadku drogowego w zależności od cech kierującego – sprawcy. Modele Bayesa zostały wyznaczone na dużej i małej próbie treningowej z uwzględnieniem informatywnych i nieinformatywnych rozkładów a’priori parametrów strukturalnych oraz porównane z analogicznymi modelami klasycznymi MLE. Przedmiotowym klasyfikatorem statystycznym był model regresji logistycznej.
    The idea of a Bayes regression model was put forward and then the utilization of such a model while building a statistical classifier to identify a road accident severity in dependence on chosen at fault driver’s characteristics was presented in the paper. Bayes models were identified for small and big train samples assuming informative and non-informative prior distributions for structural parameters of the models. Obtained results were compared and referred to the results of classical MLE models. A logistic model was a statistical classifier under consideration.
    Źródło:
    Drogownictwo; 2016, 2; 39-45
    0012-6357
    Pojawia się w:
    Drogownictwo
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Spatial and temporal aspects of prior and likelihood data choices for Bayesian models in road traffic safety analyses
    Przestrzenny i czasowy aspekt wyboru rozkładów apriorycznych i danych dla funkcji wiarygodności dla modeli bayesowskich w analizach bezpieczeństwa ruchu drogowego
    Autorzy:
    Nowakowska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/1365610.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    Bayesian regression model
    informative prior distributions for model parameters
    likelihood data
    statistical classifier
    road accident severity
    road accident features
    model regresji bayesowskiej
    informatywne rozkłady aprioryczne parametrów modelu
    wiarygodność bayesowska
    klasyfikator statystyczny
    status wypadku drogowego
    cechy wypadku drogowego
    Opis:
    In a Bayesian regression model, parameters are not constants, but random variables described by some posterior distributions. In order to define such a distribution, two pieces of information are combined: (1) a prior distribution that represents previous knowledge about a model parameter and (2) a likelihood function that updates prior knowledge. Both elements are analysed in terms of implementing the Bayesian approach in road safety analyses. A Bayesian multiple logistic regression model that classifies road accident severity is investigated. Three groups of input variables have been considered in the model: accident location characteristics, at fault driver’s features and accident attributes. Since road accidents are scattered in space and time, two aspects of information source choices in the Bayesian modelling procedure are proposed and discussed: spatial and temporal ones. In both aspects, priors are based on selected data that generate background knowledge about model parameters – thus, prior knowledge has an informative property. Bayesian likelihoods which modify priors are data that deliver: (1) information specific to a road – in the spatial aspect or (2) the latest information – in the temporal aspect. The research experiments were conducted to illustrate the approach and some conclusions have been drawn.
    Parametry bayesowskiego modelu regresji nie są wartościami stałymi tylko zmiennymi losowymi opisanymi przez pewne rozkłady aposterioryczne. W celu zdefiniowania takiego rozkładu łączy się dwa źródła informacji: (1) rozkład aprioryczny, który reprezentuje wcześniejszą wiedzę o parametrze modelu oraz (2) funkcję wiarygodności (wiarygodność bayesowską), która uaktualnia wiedzę a’priori. Oba te elementy są przedmiotem badań w kontekście wykorzystania podejścia bayesowskiego w analizach bezpieczeństwa ruchu drogowego. Badaniom podlega model wielokrotnej regresji logistycznej, który klasyfikuje status zdarzenia drogowego. W modelu uwzględniono trzy grupy zmiennych objaśniających: charakterystyki miejsca lokalizacji wypadku, cechy kierującego sprawcy oraz atrybuty wypadku. Ponieważ wypadki drogowe są rozproszone w czasie i przestrzeni, zaproponowano i poddano dyskusji dwa aspekty wyboru źródeł informacji w procedurze modelowania bayesowskiego: czasowy i przestrzenny. W obu podejściach rozkłady aprioryczne są definiowane na podstawie danych wybranych jako te, które generują uogólnioną wiedzę o parametrach modelu, tworząc tło podlegające modyfikacji – w ten sposób wiedza aprioryczna ma cechę informatywności. Wiarygodność bayesowska, modyfikująca rozkłady a’priori, jest definiowana za pomocą danych wprowadzających: (1) informację specyficzną dla wybranej drogi – w przypadku aspektu przestrzennego lub (2) informację najnowszą – w przypadku aspektu czasowego. Zaproponowane podejście zilustrowano w eksperymentach badawczych i przedstawiono wynikające z nich wnioski.
    Źródło:
    Eksploatacja i Niezawodność; 2017, 19, 1; 68-75
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Bayes classification of imprecise information of interval type
    Autorzy:
    Kulczycki, P.
    Kowalski, P. A.
    Powiązania:
    https://bibliotekanauki.pl/articles/205655.pdf
    Data publikacji:
    2011
    Wydawca:
    Polska Akademia Nauk. Instytut Badań Systemowych PAN
    Tematy:
    data analysis
    classification
    imprecise information
    interval type information
    statistical kernel estimators
    reduction in pattern size
    classifier parameter correction
    sensitivity method for artificial neural networks
    Opis:
    The subject of the investigation presented here is Bayes classification of imprecise multidimensional information of interval type by means of patterns defined through precise data, e.g. deterministic or sharp. For this purpose the statistical kernel estimators methodology was applied, which makes the resulting algorithm independent of the pattern shape. In addition, elements of pattern sets which have insignificant or negative influence on the correctness of classification are eliminated. The concept for realizing the procedure is based on the sensitivity method, used in the domain of artificial neural networks. As a result of this procedure the number of correct classifications and - above all - calculation speed increased significantly. A further growth in quality of classification was achieved with an algorithm for the correction of classifier parameter values. The results of numerical verification, carried out on pseudorandom and benchmark data, as well as a comparative analysis with other methods of similar conditioning, have validated the concept presented here and its positive features.
    Źródło:
    Control and Cybernetics; 2011, 40, 1; 101-123
    0324-8569
    Pojawia się w:
    Control and Cybernetics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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