|
| |
|
| |
|
|
Statistical models for prediction of project duration
Oberta, Dušan ; Žák, Libor (oponent) ; Hübnerová, Zuzana (vedoucí práce)
The aim of this thesis is to introduce statistical models suitable for data analysis and apply them on real data related to time duration of projects based on characteristics of given projects. In the first chapter, linear regression models based on the least squares method are studied, including their properties and prediction intervals. The next chapter deals with the problematics of generalized linear models, which are based on the maximum likelihood estimation principle. Also basic properties of generalized linear models and asymptotic confidence intervals for expected values are described. In the next chapter, regression trees are introduced, with two methods of growing the trees, namely least squares and maximum likelihood estimation. Also basic principles of pruning the trees and confidence intervals for expected values were described. Derivation of maximum likelihood estimation for regression trees and confidence intervals are to a great extent own work of the author. The last described models are random forests, including their basic properties and confidence intervals for expected values. Throughout these chapters, methods for assessing model's quality, selection of optimal submodel and finding optimal values for tuning parameters were also described. At the end, the studied models and algorithms are implemented in Python and applied on real data.
|
|
|
Ensemble learning methods for scoring models development
Nožička, Michal ; Witzany, Jiří (vedoucí práce) ; Cipra, Tomáš (oponent)
Kreditní skóring je velmi důležitý proces používaný v oblasti bankovnictví, během něhož je každému potenciálnímu nebo stávajícímu klientovi přiřazena hodnota kreditního skóre, které určitým způsobem vyjadřuje pravděpodobnost defaultu klienta, tj. neschopnost klienta dostát svým závazkům včas nebo v plné výši. Ke kreditnímu skóringu se tradičně využívají statistické modely (jako např. model logistické regrese). Navzdory mnoha výhodám, které takovýto přístup poskytuje, nejnovější výzkum ukazuje mnoho alternativních přístupů, které jsou v některých ohledech lepší než tradiční statistické modely. Tato diplomová práce je zaměřena na představení ensemble learning modelů (zejména těch konstruovaných pomocí algoritmů bagging, boosting a stacking) za použití různých základních modelů (zejména modelu logistické regrese, modelu náhodných lesů, support vector machines modelu a modelu umělých neuronových sítí) jako možných alternativ k tradičním statistickým modelům, které jsou obvykle používány pro kreditní skóring, a vzájemně porovnává jejich výhody a nevýhody. Přesnost a prediktivní síla těchto skóringových modelů je zkoumána pomocí měr přesnosti a prediktivní síly standardně používaných v oblasti kreditního skóringu (zejména GINI a LIFT koeficientů) na reálných datech a obdržené výsledky jsou prezentovány. Hlavní...
|
|
| |
|
| |
|
| |
|
|
Klasifikační a regresní lesy
Klaschka, Jan ; Kotrč, Emil
Klasifikační les je klasifikační model vytvořený kombinací určitého počtu klasifikačních stro-mů. Každý strom přiřazuje hodnotě vektoru prediktorů nějakou třídu a výsledná klasifikační funkce je dána hlasováním. Obdobně regresní les sestává z několika regresních stromů a výsledná regresní funkce je definována jako vážený průměr regresních funkcí jednotlivých stromů. V práci jsou stručně vysvětleny některé metody vytváření lesů, jmenovitě tzv. bagging, boosting, arcing a Random Forests.
|
|
|
Klasifikační a regresní lesy
Klaschka, Jan ; Kotrč, Emil
Klasifikační les je klasifikační model vytvořený kombinací určitého počtu klasifikačních stro-mů. Každý strom přiřazuje hodnotě vektoru prediktorů nějakou třídu a výsledná klasifikační funkce je dána hlasováním. Obdobně regresní les sestává z několika regresních stromů a výsledná regresní funkce je definována jako vážený průměr regresních funkcí jednotlivých stromů. V práci jsou stručně vysvětleny některé metody vytváření lesů, jmenovitě tzv. bagging, boosting, arcing a Random Forests.
|
host ::
RSS.