Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Performance of Probabilistic Approach and Artificial Neural Network on Questionnaire Data Concerning Taiwanese Ecotourism

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F21%3A00531046" target="_blank" >RIV/67985556:_____/21:00531046 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/61384399:31160/21:00055612

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-981-15-4917-5_22" target="_blank" >http://dx.doi.org/10.1007/978-981-15-4917-5_22</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-981-15-4917-5_22" target="_blank" >10.1007/978-981-15-4917-5_22</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Performance of Probabilistic Approach and Artificial Neural Network on Questionnaire Data Concerning Taiwanese Ecotourism

  • Popis výsledku v původním jazyce

    This paper aims to perform modeling of Taiwanese farm and ecotourism data using compositional models as a probabilistic approach and to compare its results with the performance of an artificial neural network approach. Authors use probabilistic compositional models together with the artificial neural network as a classifier and compare the accuracy of both approaches. The probabilistic model structure is learned using hill climbing algorithm, and the weights of multilayer feedforward artificial neural network are learned using an R implementation of H2O library for deep learning. In case of both approaches, we employ a non-exhaustive cross-validation method and compare the models. The comparison is augmented by the structure of the compositional model and basic characterization of artificial neural network. As expected, the compositional models show significant advantages in interpretability of results and (probabilistic) relations between variables, whereas the artificial neural network provides more accurate yet “black-box” model.

  • Název v anglickém jazyce

    Performance of Probabilistic Approach and Artificial Neural Network on Questionnaire Data Concerning Taiwanese Ecotourism

  • Popis výsledku anglicky

    This paper aims to perform modeling of Taiwanese farm and ecotourism data using compositional models as a probabilistic approach and to compare its results with the performance of an artificial neural network approach. Authors use probabilistic compositional models together with the artificial neural network as a classifier and compare the accuracy of both approaches. The probabilistic model structure is learned using hill climbing algorithm, and the weights of multilayer feedforward artificial neural network are learned using an R implementation of H2O library for deep learning. In case of both approaches, we employ a non-exhaustive cross-validation method and compare the models. The comparison is augmented by the structure of the compositional model and basic characterization of artificial neural network. As expected, the compositional models show significant advantages in interpretability of results and (probabilistic) relations between variables, whereas the artificial neural network provides more accurate yet “black-box” model.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10103 - Statistics and probability

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA19-06569S" target="_blank" >GA19-06569S: Manažerské rozhodování: racionalita paradoxního chování</a><br>

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2021

  • 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

    Sensor Networks and Signal Processing

  • ISBN

    978-981-15-4916-8

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    13

  • Strana od-do

    283-295

  • Název nakladatele

    Springer

  • Místo vydání

    Singapore

  • Místo konání akce

    Hualien

  • Datum konání akce

    19. 11. 2019

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku