Comparison of Different Non-statistical Classification Methods
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F62156489%3A43110%2F12%3A00190768" target="_blank" >RIV/62156489:43110/12:00190768 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Comparison of Different Non-statistical Classification Methods
Popis výsledku v původním jazyce
In this article, we aim to compare different methods usable for solving classification problems. A substantial number of methods that are not based on mathematical statistics may be used. Exploring these methods is interesting, because they are often capable of solving problems, which are not easily solvable using classificators based purely on mathematical statistics. There are many approaches available such as support vector machines, neural networks, evolutionary algorithms, parallel coordinates, etc. In this article, we concentrate on describing different neural network approaches, parallel coordinates and genetic algorithms. Neural networks come in many flavors (e.g. multi-layer perceptron, non-linear autoregressive networks) and they have achieved some recognition. Genetic algorithms also have been used for classification many times before, but with mixed results. In this article, we describe and evaluate different capabilities of these methods when used for economic data. This f
Název v anglickém jazyce
Comparison of Different Non-statistical Classification Methods
Popis výsledku anglicky
In this article, we aim to compare different methods usable for solving classification problems. A substantial number of methods that are not based on mathematical statistics may be used. Exploring these methods is interesting, because they are often capable of solving problems, which are not easily solvable using classificators based purely on mathematical statistics. There are many approaches available such as support vector machines, neural networks, evolutionary algorithms, parallel coordinates, etc. In this article, we concentrate on describing different neural network approaches, parallel coordinates and genetic algorithms. Neural networks come in many flavors (e.g. multi-layer perceptron, non-linear autoregressive networks) and they have achieved some recognition. Genetic algorithms also have been used for classification many times before, but with mixed results. In this article, we describe and evaluate different capabilities of these methods when used for economic data. This f
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GAP403%2F11%2F2085" target="_blank" >GAP403/11/2085: Konstrukce metod pro vícefaktorové měření komplexní podnikové výkonnosti ve vybraném odvětví.</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2012
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 30th International Conference Mathematical Methods in Economics 2012
ISBN
978-80-7248-779-0
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
727-732
Název nakladatele
Silesian University in Opava, School of Business Administration in Karviná
Místo vydání
Karviná
Místo konání akce
Karviná
Datum konání akce
1. 1. 2012
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—