Original title: Robustní regrese a robustní neuronové sítě
Translated title: Robust regression and robust neural networks
Authors: Janáček, Patrik ; Kalina, Jan (advisor) ; Maciak, Matúš (referee)
Document type: Master’s theses
Year: 2023
Language: cze
Abstract: [cze] [eng]
Klasická metoda nejmenších čtverců v lineární regresi je náchylná na přítomnost od- lehlých hodnot v datech. Cílem této práce je představit několik robustních alternativ metody nejmenších čtverců v rámci lineární regrese a diskutovat jejich vlastnosti. Ná- sleduje představení robustních neuronových sítí inspirovaných těmito odhady, které jsou porovnány v rámci simulační studie. Slibnou se jeví zejména metoda nejmenších váže- ných čtverců v kombinaci s adaptivními váhami, která je schopna kombinovat vysokou robustnost s efektivitou při absenci kontaminace v datech. 1 The classical least squares approach in linear regression is prone to the presence of outliers in the data. The aim of this thesis is to present several robust alternatives to the least squares method in the linear regression framework and discuss their properties. Then robust neural networks based on these estimators are introduced and compared in a simulation study. In particular, the least weighted squares method with adaptive weights seems promising, as it is able to combine high robustness with efficiency in the absence of contamination in the data. 1
Keywords: robustness|machine learning|regression; robustnost|strojové učení|regrese

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/179368

Permalink: http://www.nusl.cz/ntk/nusl-521463


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