Boosting bei der Analyse von Konjunkturzyklen. Akademische Schriftenreihe, Bd. v10229
13 Angebote vergleichen

Lieferung aus: Deutschland, E-Book zum Download.
Boosting (englisch: verstärken, fördern) ist eine generelle Methode, um die Genauigkeit eines gegebenen Lern- oder Klassifikationsalgorithmus zu erhöhen. Ein sogenannter schwacher Lernalgorithmus, der kaum besser und genauer ist als einfaches Raten, wird soweit verstärkt, das sich ein ziemlich genauer starker Lernalgorithmus ergibt. Dabei werden während des wiederholten Durchlaufens des Boostingalgorithmus durch unterschiedliche Gewichtung der Trainingsbeispiele mehrere Klassifikatoren berechnet, deren Linearkombination dann einen verbesserten Klassifikator liefert.System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[]System.String[].

Lieferung aus: Deutschland, Versandkostenfrei.
Boosting bei der Analyse von Konjunkturzyklen: Diplomarbeit aus dem Jahr 2002 im Fachbereich BWL - Sonstiges, Note: 2,3, Technische Universität Dortmund (Lehrstuhl für Computergestützte Statistik), Sprache: Deutsch, Abstract: Boosting (englisch: `verstärken, fördern`) ist eine generelle Methode, um die Genauigkeit eines gegebenen Lern- oder Klassifikationsalgorithmus zu erhöhen. Ein sogenannter `schwacher` Lernalgorithmus, der kaum besser und genauer ist als einfaches Raten, wird soweit `verstärkt`, das sich ein ziemlich genauer `starker` Lernalgorithmus ergibt. Dabei werden während des wiederholten Durchlaufens des Boostingalgorithmus durch unterschiedliche Gewichtung der Trainingsbeispiele mehrere Klassifikatoren berechnet, deren Linearkombination dann einen verbesserten Klassifikator liefert.Die Wurzeln und die Enstehungsgeschichte von Boosting finden ebenso Beachtung wie ein Darstellung gängiger Boostingalgorithmen.Einer der Repräsentanten dieser Algorithmenklasse - MART - wird auf den RWI-Datensatz des Rheinisch-Westfälische Institut für Wirtschaftsforschung (RWI) in Essen angewandt, dessen besondere Bedeutung vor dem Hintergrund des Sonderforschungsbereichs 475 Komplexitätsreduktion in multivariaten Datenstrukturen beleuchtet wird.Mittels einer doppelten leave-one-Cycle-out-Analyse werden die Analyseergebnisse mit denen des CART-Algorithmus verglichen.Das statistische Problem der Klassifikation beschäftigt sich mit der Zuordnung von Objekten zu Klassen. Jedes Objekt ist charakterisiert durch eine Anzahl von Variablenauspr?gungen und soll eindeutig in eine Klasse eingeordnet werden. Ein Klassifikationsalgorithmus oder Klassifikator trainiert zunächst auf einer Menge von bereits klassifizierten Objekten. Dann ordnet er Objekte, von denen nur die Variablenauspr?gungen, aber nicht die Klassenzugehörigkeiten bekannt sind, einer Klasse zu. Diese grundlegenden Begriffe der Klassifikation werden zusammen mit dem CART-Algorithmus, dem PAC-Lern-Modell und den Überlegungen über die Einbeziehung von Hintergrundwissen in Klassifikationsalgorithmen erläutert.Boosting ist ein interessantes Konzept zur Verbesserung von Klassifikatoren. Es wird nicht nur in der Statistik eingesetzt, sondern hat Anwendungen in der Mustererkennung, der Spieltheorie und der Texterkennung gefunden. Ebook.

Lieferung aus: Deutschland, Versandkostenfrei.
buecher.de GmbH & Co. KG, [1].
Diplomarbeit aus dem Jahr 2002 im Fachbereich BWL - Sonstiges, Note: 2,3, Technische Universität Dortmund (Lehrstuhl für Computergestützte Statistik), Sprache: Deutsch, Anmerkungen: Interdisziplinäre Diplomarbeit aus den Bereichen Informatik, Statistik und Wirtschaft: Beschreibung der Konjunktur Deutschlands anhand des RWI-Datensatzes, Erklärung des Boosting-Ansatzes, Anwendung des Klassifikationsalgorithmus MART als Beispiel für die Funktionsweise von Boosting im Vergleich zu anderen Algorithmen. , Abstract: Boosting (englisch: "verstärken, fördern") ist eine generelle Methode, um die Genauigkeit eines gegebenen Lern- oder Klassifikationsalgorithmus zu erhöhen. Ein sogenannter "schwacher" Lernalgorithmus, der kaum besser und genauer ist als einfaches Raten, wird soweit "verstärkt", das sich ein ziemlich genauer "starker" Lernalgorithmus ergibt. Dabei werden während des wiederholten Durchlaufens des Boostingalgorithmus durch unterschiedliche Gewichtung der Trainingsbeispiele mehrere Klassifikatoren berechnet, deren Linearkombination dann einen verbesserten Klassifikator liefert. Die Wurzeln und die Enstehungsgeschichte von Boosting finden ebenso Beachtung wie ein Darstellung gängiger Boostingalgorithmen. Einer der Repräsentanten dieser Algorithmenklasse - MART - wird auf den RWI-Datensatz des Rheinisch-Westfälische Institut für Wirtschaftsforschung (RWI) in Essen angewandt, dessen besondere Bedeutung vor dem Hintergrund des Sonderforschungsbereichs 475 Komplexitätsreduktion in multivariaten Datenstrukturen beleuchtet wird. Mittels einer doppelten leave-one-Cycle-out-Analyse werden die Analyseergebnisse mit denen des CART-Algorithmus verglichen. Das statistische Problem der Klassifikation beschäftigt sich mit der Zuordnung von Objekten zu Klassen. Jedes Objekt ist charakterisiert durch eine Anzahl von Variablenausprägungen und soll eindeutig in eine Klasse eingeordnet werden. Ein Klassifikationsalgorithmus oder Klassifikator trainiert zunächst auf einer Menge von bereits klassifizierten Objekten. Dann ordnet er Objekte, von denen nur die Variablenausprägungen, aber nicht die Klassenzugehörigkeiten bekannt sind, einer Klasse zu. Diese grundlegenden Begriffe der Klassifikation werden zusammen mit dem CART-Algorithmus, dem PAC-Lern-Modell und den Überlegungen über die Einbeziehung von Hintergrundwissen in Klassifikationsalgorithmen erläutert. Boosting ist ein interessantes Konzept zur Verbesserung von Klassifikatoren. Es wird nicht nur in der Statistik eingesetzt, sondern hat Anwendungen in der Mustererkennung, der Spieltheorie und der Texterkennung gefunden.2007. 60 S. 210 mmVersandfertig in 3-5 Tagen, Softcover.

Von Händler/Antiquariat, AHA-BUCH GmbH [51283250], Einbeck, NDS, Germany.
This item is printed on demand - Print on Demand Titel. Neuware - Diplomarbeit aus dem Jahr 2002 im Fachbereich BWL - Sonstiges, Note: 2,3, Technische Universität Dortmund (Lehrstuhl für Computergestützte Statistik), Sprache: Deutsch, Anmerkungen: Interdisziplinäre Diplomarbeit aus den Bereichen Informatik, Statistik und Wirtschaft: Beschreibung der Konjunktur Deutschlands anhand des RWI-Datensatzes, Erklärung des Boosting-Ansatzes, Anwendung des Klassifikationsalgorithmus MART als Beispiel für die Funktionsweise von Boosting im Vergleich zu anderen Algorithmen. , Abstract: Boosting (englisch: 'verstärken, fördern') ist eine generelle Methode, um die Genauigkeit eines gegebenen Lern- oder Klassifikationsalgorithmus zu erhöhen. Ein sogenannter 'schwacher' Lernalgorithmus, der kaum besser und genauer ist als einfaches Raten, wird soweit 'verstärkt', das sich ein ziemlich genauer 'starker' Lernalgorithmus ergibt. Dabei werden während des wiederholten Durchlaufens des Boostingalgorithmus durch unterschiedliche Gewichtung der Trainingsbeispiele mehrere Klassifikatoren berechnet, deren Linearkombination dann einen verbesserten Klassifikator liefert. Die Wurzeln und die Enstehungsgeschichte von Boosting finden ebenso Beachtung wie ein Darstellung gängiger Boostingalgorithmen. Einer der Repräsentanten dieser Algorithmenklasse - MART - wird auf den RWI-Datensatz des Rheinisch-Westfälische Institut für Wirtschaftsforschung (RWI) in Essen angewandt, dessen besondere Bedeutung vor dem Hintergrund des Sonderforschungsbereichs 475 Komplexitätsreduktion in multivariaten Datenstrukturen beleuchtet wird. Mittels einer doppelten leave-one-Cycle-out-Analyse werden die Analyseergebnisse mit denen des CART-Algorithmus verglichen. Das statistische Problem der Klassifikation beschäftigt sich mit der Zuordnung von Objekten zu Klassen. Jedes Objekt ist charakterisiert durch eine Anzahl von Variablenausprägungen und soll eindeutig in eine Klasse eingeordnet werden. Ein Klassifikationsalgorithmus oder Klassifikator trainiert zunächst auf einer Menge von bereits klassifizierten Objekten. Dann ordnet er Objekte, von denen nur die Variablenausprägungen, aber nicht die Klassenzugehörigkeiten bekannt sind, einer Klasse zu. Diese grundlegenden Begriffe der Klassifikation werden zusammen mit dem CART-Algorithmus, dem PAC-Lern-Modell und den Überlegungen über die Einbeziehung von Hintergrundwissen in Klassifikationsalgorithmen erläutert. Boosting ist ein interessantes Konzept zur Verbesserung von Klassifikatoren. Es wird nicht nur in der Statistik eingesetzt, sondern hat Anwendungen in der Mustererkennung, der Spieltheorie und der Texterkennung gefunden. 60 pp. Deutsch.

Von Händler/Antiquariat, BuySomeBooks [52360437], Las Vegas, NV, U.S.A.
This item is printed on demand. Paperback. Diplomarbeit aus dem Jahr 2002 im Fachbereich BWL - Sonstiges, Note: 2, 3, Technische Universitt Dortmund (Lehrstuhl fr Computergesttzte Statistik), Sprache: Deutsch, Abstract: Boosting (englisch: verstrken, frdern) ist eine generelle Methode, um die Genauigkeit eines gegebenen Lern- oder Klassifikationsalgorithmus zu erhhen. Ein sogenannter schwacher Lernalgorithmus, der kaum besser und genauer ist als einfaches Raten, wird soweit verstrkt, das sich ein ziemlich genauer starker Lernalgorithmus ergibt. Dabei werden whrend des wiederholten Durchlaufens des Boostingalgorithmus durch unterschiedliche Gewichtung der Trainingsbeispiele mehrere Klassifikatoren berechnet, deren Linearkombination dann einen verbesserten Klassifikator liefert. Die Wurzeln und die Enstehungsgeschichte von Boosting finden ebenso Beachtung wie ein Darstellung gngiger Boostingalgorithmen. Einer der Reprsentanten dieser Algorithmenklasse - MART - wird auf den RWI-Datensatz des Rheinisch-Westflische Institut fr Wirtschaftsforschung (RWI) in Essen angewandt, dessen besondere Bedeutung vor dem Hintergrund des Sonderforschungsbereichs 475 Komplexittsreduktion in multivariaten Datenstrukturen beleuchtet wird. Mittels einer doppelten leave-one-Cycle-out-Analyse werden die Analyseergebnisse mit denen des CART-Algorithmus verglichen. Das statistische Problem der Klassifikation beschftigt sich mit der Zuordnung von Objekten zu Klassen. Jedes Objekt ist charakterisiert durch eine Anzahl von Variablenausprgungen und soll eindeutig in eine Klasse eingeordnet werden. Ein Klassifikationsalgorithmus oder Klassifikator trainiert zunchst auf einer Menge von bereits klassifizierten Objekten. Dann ordnet er Objekte, von denen nur die Variablenausprgungen, aber nicht die Klassenzugehrigkeiten bekannt sind, einer Klasse zu. Diese grundlegenden Begriffe der Klassifikation werden zusammen mit dem CART-Algorithmus, dem PAC-Lern-Modell und den berlegungen ber die Einbeziehung von Hintergr This item ships from La Vergne,TN.

Lieferung aus: Deutschland, sofort lieferbar.
Boosting (englisch: ""verstärken, fördern"") ist eine generelle Methode, um die Genauigkeit eines gegebenen Lern- oder Klassifikationsalgorithmus zu erhöhen. Ein sogenannter ""schwacher"" Lernalgorithmus, der kaum besser und genauer ist als einfaches Raten, wird soweit ""verstärkt"", das sich ein ziemlich genauer ""starker"" Lernalgorithmus ergibt. Dabei werden während des wiederholten Durchlaufens des Boostingalgorithmus durch unterschiedliche Gewichtung der Trainingsbeispiele mehrere Klassifikatoren berechnet, deren Linearkombination dann einen verbesserten Klassifikator liefert.Die Wurzeln und die Enstehungsgeschichte von Boosting finden ebenso Beachtung wie ein Darstellung gängiger Boostingalgorithmen.Einer der Repräsentanten dieser Algorithmenklasse - MART - wird auf den RWI-Datensatz des Rheinisch-Westfälische Institut für Wirtschaftsforschung (RWI) in Essen angewandt, dessen besondere Bedeutung vor dem Hintergrund des Sonderforschungsbereichs 475 Komplexitätsreduktion in multivariaten Datenstr.

Lieferung aus: Vereinigtes Königreich Großbritannien und Nordirland, in-stock.
Diplomarbeit aus dem Jahr 2002 im Fachbereich BWL - Sonstiges, Note: 2,3, Technische Universität Dortmund (Lehrstuhl für Computergestützte Statistik), Sprache: Deutsch, Abstract: Boosting (englisch: 'verstärken, fördern') ist eine generelle Methode,.

Boosting bei der Analyse von Konjunkturzyklen ab 4.99 € als epub eBook: . Aus dem Bereich: eBooks, Wirtschaft,.

Boosting bei der Analyse von Konjunkturzyklen ab 4.99 EURO 1. Auflage.

Lieferung aus: Vereinigte Staaten von Amerika, Lagernd.
Die Beschreibung dieses Angebotes ist von geringer Qualität oder in einer Fremdsprache. Trotzdem anzeigen