Robustní regrese a robustní neuronové sítě
Robust regression and robust neural networks
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/179368Identifikátory
SIS: 180749
Kolekce
- Kvalifikační práce [11216]
Autor
Vedoucí práce
Oponent práce
Maciak, Matúš
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Pravděpodobnost, matematická statistika a ekonometrie
Katedra / ústav / klinika
Katedra pravděpodobnosti a matematické statistiky
Datum obhajoby
31. 1. 2023
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Velmi dobře
Klíčová slova (česky)
robustnost|strojové učení|regreseKlíčová slova (anglicky)
robustness|machine learning|regressionKlasická metoda nejmenších čtverců v lineární regresi je náchylná na přítomnost od- lehlých hodnot v datech. Cílem této práce je představit několik robustních alternativ metody nejmenších čtverců v rámci lineární regrese a diskutovat jejich vlastnosti. Ná- sleduje představení robustních neuronových sítí inspirovaných těmito odhady, které jsou porovnány v rámci simulační studie. Slibnou se jeví zejména metoda nejmenších váže- ných čtverců v kombinaci s adaptivními váhami, která je schopna kombinovat vysokou robustnost s efektivitou při absenci kontaminace v datech. 1
The classical least squares approach in linear regression is prone to the presence of outliers in the data. The aim of this thesis is to present several robust alternatives to the least squares method in the linear regression framework and discuss their properties. Then robust neural networks based on these estimators are introduced and compared in a simulation study. In particular, the least weighted squares method with adaptive weights seems promising, as it is able to combine high robustness with efficiency in the absence of contamination in the data. 1