- Профессиональная
- Научно-популярная
- Художественная
- Публицистика
- Детская
- Искусство
- Хобби, семья, дом
- Спорт
- Путеводители
- Блокноты, тетради, открытки
Методы статистического обучения в задачах регрессии и классификации
В наличии
Местонахождение: Новосибирск | Состояние экземпляра: новый |
Бумажная
версия
версия
Автор: Гультяева Т.А., Попов А.А., Саутин А.С.
ISBN: 978-5-7782-2817-7
Год издания: 2016
Формат книги: 60×90/16 (145×215 мм)
Количество страниц: 323
Издательство: Новосибирск: НГТУ
Вид издания: Монография
Для кого: Для вузов
Цена: 535 руб.
Положить в корзину
Способы доставки в город Москва * комплектация (срок до отгрузки) не более 1 рабочих дней | Возможность оплаты при получении заказа |
Самовывоз из города Москва (пункты самовывоза партнёра CDEK) | Есть, наличными и банковской картой |
Курьерская доставка CDEK из города Новосибирск | Есть, наличными и банковской картой |
Доставка Почтой России из города Новосибирск | Нет, только предоплата |
Экспресс-доставка EMS из города Новосибирск | Нет, только предоплата |
Аннотация: В монографии рассматриваются вопросы статистического обучения в задачах построения регрессии по методу опорных векторов и в задачах классификации с использованием скрытых марковских моделей (СММ). Для решения задачи устойчивого оценивания модели регрессии по методу опорных векторов (SVM) в условиях зашумленных данных с помехой, имеющей распределение с большим эксцессом или имеющей характер асимметричного засорения, предложено использовать адаптивные и асимметричные функции потерь. Приводятся формулировки двойственных задач квадратичного программирования для этих случаев. Описывается метод квантильной регрессии на основе SVM для произвольной функции потерь. На его основе рассмотрен метод построения доверительных интервалов для отклика, а также непараметрический метод оценки неизвестной дисперсии ошибок наблюдений. Для построения компактной модели регрессии в условиях работы с выборками большого объема предлагаются алгоритмы построения разреженных решений в SVM. Показывается их эффективность в сравнении с классическим методом построения разреженных решений на основе функции нечувствительности Вапника. Описывается модификация SVM, позволяющая строить разреженные решения в условиях гетероскедастичности ошибок наблюдений. Приводятся результаты экспериментальных исследований по построению регрессионных моделей с использованием SVM при мультиколлинеарности данных, автокорреляции и гетероскедастичности ошибок наблюдений.
Приводятся результаты исследования подхода к решению задачи классификации наблюдаемых последовательностей, представленных скрытыми марковскими моделями, с использованием инициированных этими моделями признаков. С использованием метода статистического моделирования рассматривается поведение нескольких классификаторов, когда наблюдаемые последовательности подвергались искажению действием на них различных помех. Также проанализированы случаи, когда нарушены одни из априорных представлений либо о наблюдаемых последовательностях, либо о структуре скрытых марковских моделей, описывающих эти последовательности.
Книга будет полезна научным сотрудникам и специалистам, сталкивающимся в своей деятельности с необходимостью решения задач построения зависимостей и классификации последовательностей, а также студентам и аспирантам.
Приводятся результаты исследования подхода к решению задачи классификации наблюдаемых последовательностей, представленных скрытыми марковскими моделями, с использованием инициированных этими моделями признаков. С использованием метода статистического моделирования рассматривается поведение нескольких классификаторов, когда наблюдаемые последовательности подвергались искажению действием на них различных помех. Также проанализированы случаи, когда нарушены одни из априорных представлений либо о наблюдаемых последовательностях, либо о структуре скрытых марковских моделей, описывающих эти последовательности.
Книга будет полезна научным сотрудникам и специалистам, сталкивающимся в своей деятельности с необходимостью решения задач построения зависимостей и классификации последовательностей, а также студентам и аспирантам.
Ключевые слова: задачи регрессии, скрытые марковские модели, СММ, регрессионные зависимости