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”

A Metalearning Study for Robust Nonlinear Regression

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F20%3A00524791" target="_blank" >RIV/67985807:_____/20:00524791 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/chapter/10.1007%2F978-3-030-48791-1_39" target="_blank" >https://link.springer.com/chapter/10.1007%2F978-3-030-48791-1_39</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-030-48791-1_39" target="_blank" >10.1007/978-3-030-48791-1_39</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    A Metalearning Study for Robust Nonlinear Regression

  • Popis výsledku v původním jazyce

    Metalearning is a methodology aiming at recommending the most suitable algorithm (or method) from several alternatives for a particular dataset. Its classification rule is learned over an available training database of datasets. It gradually penetrates to various applications in computer science and has also the potential to recommend the most suitable statistical estimator for a given dataset. We consider the nonlinear regression model. While there are some robust alternatives to the traditional (and very non-robust) nonlinear least squares available, it is not theoretically known which estimator performs the best for a particular dataset. In this work, we perform a metalearning study performed over 721 datasets predicting the best nonlinear regression estimator for an independent dataset. The estimators considered here include standard nonlinear least squares as well as its robust alternatives with a high breakdown point. On the whole, the presented study brings new arguments in favor of the nonlinear least weighted squares estimator, which is based on the idea to assign implicit weights to individual observations based on outlyingness of their residuals.

  • Název v anglickém jazyce

    A Metalearning Study for Robust Nonlinear Regression

  • Popis výsledku anglicky

    Metalearning is a methodology aiming at recommending the most suitable algorithm (or method) from several alternatives for a particular dataset. Its classification rule is learned over an available training database of datasets. It gradually penetrates to various applications in computer science and has also the potential to recommend the most suitable statistical estimator for a given dataset. We consider the nonlinear regression model. While there are some robust alternatives to the traditional (and very non-robust) nonlinear least squares available, it is not theoretically known which estimator performs the best for a particular dataset. In this work, we perform a metalearning study performed over 721 datasets predicting the best nonlinear regression estimator for an independent dataset. The estimators considered here include standard nonlinear least squares as well as its robust alternatives with a high breakdown point. On the whole, the presented study brings new arguments in favor of the nonlinear least weighted squares estimator, which is based on the idea to assign implicit weights to individual observations based on outlyingness of their residuals.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2020

  • 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 21st EANN (Engineering Applications of Neural Networks) 2020 Conference

  • ISBN

    978-3-030-48790-4

  • ISSN

    2661-8141

  • e-ISSN

  • Počet stran výsledku

    12

  • Strana od-do

    499-510

  • Název nakladatele

    Springer

  • Místo vydání

    Cham

  • Místo konání akce

    Halkidiki

  • Datum konání akce

    5. 6. 2020

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku