Pokaż uproszczony rekord

dc.contributor.authorTrzęsiok, Michał
dc.date.accessioned2019-02-14T11:31:19Z
dc.date.available2019-02-14T11:31:19Z
dc.date.issued2018
dc.identifier.issn0208-6018
dc.identifier.urihttp://hdl.handle.net/11089/26819
dc.description.abstractAssessing the quality of a statistical model is very important, since it is crucial for the utility of the modelling process’ outcome. There are many different ways of measuring statistical models’ quality. Some of the measures represent a “goodness of fit” approach, some are “prediction ability” orientated. Among them there are absolute and relative measures. It is a researcher’s decision, which model quality measure is the most adequate for the given task. In the paper we present an overview of statistical models’ quality measures and a suggestion of using different ones during the model type selection stage and the stage of assessing the quality of the final model.en_GB
dc.description.abstractBardzo ważnym elementem procesu modelowania statystycznego jest etap oceny jakości zbudowanego modelu. W zależności od wykorzystanej metody istnieje wiele różnych podejść do pomiaru jakości modelu. Pomiar ten może skupiać się na dopasowaniu do danych empirycznych albo może przede wszystkim uwzględniać zdolności prognostyczne modelu. Mierniki mogą być absolutne albo względne. Zestaw mierników jakości modelu obejmuje liczną grupę propozycji, z których analityk musi wybrać najodpowiedniejszy do danej sytuacji. W artykule przedstawiono zestawienie mierników jakości modelu oraz sugestię używania innych mierników jakości na etapie wyboru wariantu modelu oraz na etapie oceny jakości modelu końcowego.pl_PL
dc.language.isoenen_GB
dc.publisherWydawnictwo Uniwersytetu Łódzkiegoen_GB
dc.relation.ispartofseriesActa Universitatis Lodziensis. Folia Oeconomica;339
dc.rightsThis work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 License.en_GB
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0en_GB
dc.subjectmodel qualityen_GB
dc.subjectgoodness of fiten_GB
dc.subjectprediction erroren_GB
dc.subjectjakość modelupl_PL
dc.subjectdopasowaniepl_PL
dc.subjectbłąd predykcjipl_PL
dc.titleMeasuring the Quality of Multivariate Statistical Modelsen_GB
dc.title.alternativeWybrane metody pomiaru jakości modeli statystycznychpl_PL
dc.typeArticleen_GB
dc.page.number99-100
dc.contributor.authorAffiliationUniversity of Economics in Katowice, Faculty of Finance and Insurance, Department of Economic and Financial Analysis
dc.identifier.eissn2353-7663
dc.referencesAltman D. G., Bland J. M. (1994), Statistics Notes: Diagnostic tests 1: sensitivity and specificity, “British Medical Journal”, vol. 308(6943), p. 1552.pl_PL
dc.referencesBreiman L. (2001), Random forests, “Machine Learning”, vol. 45(1), pp. 5–32.pl_PL
dc.referencesGatnar E. (2008), Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.pl_PL
dc.referencesHastie T., Tibshirani R., Friedman J. (2001), The Elements of Statistical Learning, Springer Verlag, New York.pl_PL
dc.referencesKitchenham B. A., Pickard L. M., MacDonell S. G., Shepperd M. J. (2001), What accuracy statistics really measure, “IEE Proceedings‑Software”, vol. 148(3), pp. 81–85.pl_PL
dc.referencesKohavi R. (1995), A Study of Cross‑Validation and Bootstrap for Accuracy Estimation and Model Selection, “International Joint Conference on Artificial Intelligence”, pp. 1137–1145.pl_PL
dc.referencesMeyer D., Leisch F., Hornik K. (2003), The support vector machine under test, “Neurocomputting”, vol. 55(1), pp. 169–186.pl_PL
dc.referencesMisztal M. (2014), Wybrane metody oceny jakości klasyfikatorów – przegląd i przykłady zastosowań, [in:] K. Jajuga, M. Walesiak (eds.), „Taksonomia 23: Klasyfikacja i analiza danych – teoria i zastosowania. Prace Naukowe Akademii Ekonomicznej we Wrocławiu”, no. 328, pp. 156–166.pl_PL
dc.referencesRozmus D. (2004), Random forest jako metoda agregacji modeli dyskryminacyjnych, [in:] K. Jajuga, M. Walesiak (eds.), „Taksonomia 11: Klasyfikacja i analiza danych – teoria i zastosowania. Prace Naukowe Akademii Ekonomicznej we Wrocławiu”, no. 1022, pp. 441–448.pl_PL
dc.referencesRozmus D. (2008), Agregacja modeli klasyfikacyjnych i regresyjnych, Fundacja Promocji i Akredytacji Kierunków Ekonomicznych, Warszawa.pl_PL
dc.referencesTrzęsiok M. (2006), Metoda wektorów nośnych na tle innych metod wielowymiarowej analizy danych, [in:] K. Jajuga, M. Walesiak (eds), „Taksonomia 13. Klasyfikacja i analiza danych – teoria i zastosowania. Prace Naukowe Akademii Ekonomicznej we Wrocławiu”, no. 1126, pp. 536–542.pl_PL
dc.referencesTrzęsiok M. (2007), Symulacyjne porównanie jakości modeli otrzymanych metodą wektorów nośnych z innymi modelami regresji, [in:] J. Dziechciarz (ed.), Zastosowanie metod ilościowych, „Prace Naukowe Akademii Ekonomicznej we Wrocławiu”, no. 1189, Wrocław, pp. 234–241.pl_PL
dc.referencesVapnik V. (1998), Statistical Learning Theory, John Wiley & Sons, New York.pl_PL
dc.referencesWolpert D. H., Macready W. G. (1997), No Free Lunch Theorems for Optimization, “IEEE Transactions on Evolutionary Computation”, vol. 1, pp. 67–82, doi: 10.1109/4235.585893.pl_PL
dc.contributor.authorEmailmichal.trzesiok@ue.katowice.pl
dc.identifier.doi10.18778/0208-6018.339.06
dc.relation.volume6en_GB
dc.subject.jelC150
dc.subject.jelC180
dc.subject.jelC300
dc.subject.jelC310
dc.subject.jelC380


Pliki tej pozycji

Thumbnail

Pozycja umieszczona jest w następujących kolekcjach

Pokaż uproszczony rekord

This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 License.
Poza zaznaczonymi wyjątkami, licencja tej pozycji opisana jest jako This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 License.