Temat: AdaBoost - Prolib Integro

Skocz do pozycji: 1.

Tytuł:: Wykorzystanie techniki AdaBoost w modelach opartych na regresji z wykorzystaniem sztucznej inteligencji
Use of AdaBoost technique in regression based models using artificial intelligence
Autorzy:: Wołoszyn, Jacek
Tematy:: AdaBoost
sztuczna inteligencja
artificial intelligence; Pokaż więcej
Wydawca:: Uniwersytet Rzeszowski
Powiązania:: https://bibliotekanauki.pl/articles/445996.pdf Link otwiera się w nowym oknie
Opis:: Artykuł opisuje wykorzystanie sztucznej inteligencji w obliczeniach regresyjnych. Modele zbudowane w sposób tradycyjny oparte na klasycznych założeniach dostarczają możliwie precy-zyjnych informacji. Sam proces budowy modelu opiera się na wstępnym wyborze zmiennych wykorzystanych do jego tworzenia. Umiejętna selekcja zmiennych ma istotny wpływ na uzyskane parametry. Wykorzystując rozwiązanie przedstawione w tej pracy otrzymujemy model ze wstępnie dobranym optymalnym zbiorem treningowym. W kolejnych rozdziałach omówiono istotę analityki predykcyjnej, proces uczenia maszyno-wego, budowę drzewa decyzyjnego, pokazano przykład regresji wykorzystującego AdaBoost.
This article describes the use of artificial intelligence in regression calculations. Models built in a traditional manner based on classical assumptions provide the most precise information possi-ble. The model building process itself is based on the initial selection of variables used to create it. Skillful selection of variables has a significant impact on the obtained parameters. Using the solu-tion presented in this work, we get a model with a pre-selected optimal training set. The following chapters discuss the essence of predictive analytics, the machine learning pro-cess, the construction of a decision tree, an example of regression using AdaBoost.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: Integrating Vegetation Indices and Spectral Features for Vegetation Mapping from Multispectral Satellite Imagery Using AdaBoost and Random Forest Machine Learning Classifiers
Autorzy:: Saini, Rashmi
Tematy:: ensemble classifiers
Machine Learning
Random Forest
AdaBoost
vegetation mapping
vegetation indices; Pokaż więcej
Wydawca:: Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Powiązania:: https://bibliotekanauki.pl/articles/2174656.pdf Link otwiera się w nowym oknie
Opis:: Vegetation mapping is an active research area in the domain of remote sensing. This study proposes a methodology for the mapping of vegetation by integrating several vegetation indices along with original spectral bands. The Land Use Land Cover classification was performed by two powerful Machine Learning techniques, namely Random Forest and AdaBoost. The Random Forest algorithm works on the concept of building multiple decision trees for the final prediction. The other Machine Learning technique selected for the classification is AdaBoost (adaptive boosting), converts a set of weak learners into strong learners. Here, multispectral satellite data of Dehradun, India, was utilised. The results demonstrate an increase of 3.87% and 4.32% after inclusion of selected vegetation indices by Random Forest and AdaBoost respectively. An Overall Accuracy (OA) of 91.23% (kappa value of 0.89) and 88.59% (kappa value of 0.86) was obtained by means of the Random Forest and AdaBoost classifiers respectively. Although Random Forest achieved greater OA as compared to AdaBoost, interestingly AdaBoost provided better class-specific accuracy for the Shrubland class compared to Random Forest. Furthermore, this study also evaluated the importance of each individual feature used in the classification. Results demonstrated that the NDRE, GNDVI, and RTVIcore vegetation indices, and spectral bands (NIR, and Red-Edge), obtained higher importance scores.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 3.

Tytuł:: Personal bankruptcy prediction using machine learning techniques
Autorzy:: Brygała, Magdalena
Korol, Tomasz
Tematy:: personal bankruptcy
random forest
XGBoost
LightGBM
AdaBoost
CatBoost
support vector machines
SHAP; Pokaż więcej
Wydawca:: Uniwersytet Ekonomiczny w Poznaniu. Wydawnictwo Uniwersytetu Ekonomicznego w Poznaniu
Powiązania:: https://bibliotekanauki.pl/articles/55790413.pdf Link otwiera się w nowym oknie
Opis:: It has become crucial to have an early prediction model that provides accurate assurance for users about the financial situation of consumers. Recent studies have focused on predicting corporate bankruptcies and credit defaults, not personal bankruptcies. Due to this situation, the present study fills the literature gap by comparing different machine learning algorithms to predict personal bankruptcy. The main objective of the study is to examine the usefulness of machine learning models such as SVM, random forest, AdaBoost, XGBoost, LightGBM, and CatBoost in forecasting personal bankruptcy. The study relies on two samples of households (learning and testing) from the Survey of Consumer Finances, which was conducted in the United States. Among the models estimated, LightGBM, CatBoost, and XGBoost showed the highest effectiveness. The most important variables used in the models are income, refusal to grant credit, delays in the repayment of liabilities, the revolving debt ratio, and the housing debt ratio.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 4.

Tytuł:: A novel approach for automatic detection and classification of suspicious lesions in breast ultrasound images
Autorzy:: Karimi, B.
Krzyżak, A.
Tematy:: automatic detection
classification
breast cancer
cancer lesions
ultrasound images
AdaBoost
artificial neural network
Fuzzy Support Vector Machine; Pokaż więcej
Wydawca:: Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Powiązania:: https://bibliotekanauki.pl/articles/91890.pdf Link otwiera się w nowym oknie
Opis:: In this research, a new method for automatic detection and classification of suspected breast cancer lesions using ultrasound images is proposed. In this fully automated method, de-noising using fuzzy logic and correlation among ultrasound images taken from different angles is used. Feature selection using combination of sequential backward search, sequential forward search and distance-based methods is obtained. A new segmentation method based on automatic selection of seed points and region growing is proposed and classification of lesions into two malignant and benign classes using combination of AdaBoost, Artificial Neural Network and Fuzzy Support Vector Machine classifiers and majority voting is implemented.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Informacja

Wyszukujesz frazę "AdaBoost" wg kryterium: Temat