Modeling of discrete questionnaire data with dimension reduction
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F22%3A00557126" target="_blank" >RIV/67985556:_____/22:00557126 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21260/22:00357903
Výsledek na webu
<a href="http://nnw.cz/doi/2022/NNW.2022.32.002.pdf" target="_blank" >http://nnw.cz/doi/2022/NNW.2022.32.002.pdf</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.14311/NNW.2022.32.002" target="_blank" >10.14311/NNW.2022.32.002</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Modeling of discrete questionnaire data with dimension reduction
Popis výsledku v původním jazyce
The paper deals with the task of modeling discrete questionnaire data with a reduced dimension of the model. The discrete model dimension is reduced using the construction of local models based on independent binomial mixtures estimated with the help of recursive Bayesian algorithms in the combination with the naive Bayes technique. The main contribution of the paper is a three-phase algorithm of the discrete model dimension reduction, which allows to model high-dimensional questionnaire data with high number of explanatory variables and their possible realizations. The proposed general solution is applied to the traffic accident questionnaire analysis, where it takes the form of the classification of the accident circumstances and prediction of the traffic accident severity using the currently measured discrete data. Results of testing the obtained model on real data and comparison with theoretical counterparts are demonstrated.
Název v anglickém jazyce
Modeling of discrete questionnaire data with dimension reduction
Popis výsledku anglicky
The paper deals with the task of modeling discrete questionnaire data with a reduced dimension of the model. The discrete model dimension is reduced using the construction of local models based on independent binomial mixtures estimated with the help of recursive Bayesian algorithms in the combination with the naive Bayes technique. The main contribution of the paper is a three-phase algorithm of the discrete model dimension reduction, which allows to model high-dimensional questionnaire data with high number of explanatory variables and their possible realizations. The proposed general solution is applied to the traffic accident questionnaire analysis, where it takes the form of the classification of the accident circumstances and prediction of the traffic accident severity using the currently measured discrete data. Results of testing the obtained model on real data and comparison with theoretical counterparts are demonstrated.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10103 - Statistics and probability
Návaznosti výsledku
Projekt
<a href="/cs/project/8A19009" target="_blank" >8A19009: Arrowhead Tools for Engineering of Digitalisation Solutions</a><br>
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neural Network World
ISSN
1210-0552
e-ISSN
—
Svazek periodika
32
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
CZ - Česká republika
Počet stran výsledku
27
Strana od-do
15-41
Kód UT WoS článku
000795530700002
EID výsledku v databázi Scopus
2-s2.0-85130701278