Original title: Moderní regresní metody při dobývání znalostí z dat
Translated title: Modern regression methods in data mining
Authors: Kopal, Vojtěch ; Holeňa, Martin (advisor) ; Gemrot, Jakub (referee)
Document type: Master’s theses
Year: 2015
Language: eng
Abstract: [eng] [cze]
The thesis compares several non-linear regression methods on synthetic data sets gen- erated using standard benchmarks for a continuous black-box optimization. For that com- parison, we have chosen the following regression methods: radial basis function networks, Gaussian processes, support vector regression and random forests. We have also included polynomial regression which we use to explain the basic principles of regression. The com- parison of these methods is discussed in the context of black-box optimization problems where the selected methods can be applied as surrogate models. The methods are evalu- ated based on their mean-squared error and on the Kendall's rank correlation coefficient between the ordering of function values according to the model and according to the function used to generate the data. 1 Tato práce porovnává nelineární regresní metody na umělých datech vytvořených po- mocí standardních testovacích funkcí pro spojité black-box optimalizace. Pro toto srovnání jsme vybrali následující regresní metody: sítě s bázemi tvořenými radiálními funkcemi, Gaussovské procesy, regresi založenou na opěrných vektorech a náhodné lesy. Metody jsou porovnány v kontextu problémů black-box optimalizace, kde se právě tyto metody používají jako náhradní modely. Metody jsou vyhodnoceny na základě střední kvadratické chyby a na základě Kendallova koeficientu mezi pořadím funkčních hodnot podle modelu a podle funkce, která byla použita k vygenerování dat. 1
Keywords: black-box optimization benchmarks; Gaussian processes; non-linear regression; radial basis function networks; random forests; Gaussovské procesy; nelineární regrese; náhodné lesy; sítě s bázemi tvořenými radiálními funkcemi; testovací funkce pro black-box optimalizaci

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/77668

Permalink: http://www.nusl.cz/ntk/nusl-479981


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses