Εμφάνιση απλής εγγραφής

Στατιστικές τεχνικές παλινδρόμησης για την ανάλυση μεγάλων δεδομένων

dc.contributor.advisorΚούτρας, Μάρκος
dc.contributor.authorΣταθόπουλος, Γεώργιος Α.
dc.date.accessioned2017-12-11T10:02:55Z
dc.date.available2017-12-11T10:02:55Z
dc.date.issued2017-07
dc.identifier.urihttps://dione.lib.unipi.gr/xmlui/handle/unipi/10283
dc.description.abstractΣτη σύγχρονη εποχή, η δυνατότητα συλλογής μεγάλων όγκων δεδομένων τα οποία συνήθως αφορούν πολλά χαρακτηριστικά έχει οδηγήσει στην ανάγκη εφαρμογής και ανάπτυξης ειδικών στατιστικών τεχνικών που θα βοηθήσουν στη μελέτη της δομής τους και την εξαγωγή χρήσιμων συμπερασμάτων. Έχει διαπιστωθεί ότι, για την ανάλυση τέτοιων δεδομένων, απαιτείται είτε κάποια ειδική προσαρμογή των διαθέσιμων κλασσικών στατιστικών τεχνικών είτε η ανάπτυξη εναλλακτικών τεχνικών. Στα πλαίσια της παρούσας εργασίας θα γίνε ι σύντομη παρουσίαση τεχνικών που χρησιμοποιούνται για την ανάλυση μεγάλων δεδομένων, προγραμματισμός των αντίστοιχων αλγορίθμων σε περιβάλλον R και σύγκριση των διάφορων τεχνικών με τη χρήση πραγματικών δεδομένων. Πιο συγκεκριμένα θα χρησιμοποιηθούν τεχνικές που βασίζονται στα δέντρα παλινδρόμησης και μέσω αλγορίθμων μηχανικής μάθησης βελτιώνεται η ακρίβεια των τους. Ακόμη θα χρησιμοποιηθούν τεχνικές που βασίζονται στο κλασσικό μοντέλο γραμμικής παλινδρόμησης, στο οποίο όμως εφαρμόζετα ι ένας περιορισμός (ποινή) στους συντελεστές του μοντέλου, ώστε αντιμετωπιστεί το φαινόμενο της πολυσυγγραμμικότητας, να μειωθεί η διασπορά των συντελεστών και να επιτευχθεί μεγαλύτερη ακρίβεια πρόβλεψης.el
dc.format.extent66el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Πειραιώςel
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleΣτατιστικές τεχνικές παλινδρόμησης για την ανάλυση μεγάλων δεδομένωνel
dc.title.alternativeRegression techniques for the analysis of big datael
dc.typeMaster Thesisel
dc.contributor.departmentΣχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμηςel
dc.description.abstractENIn modern times, the collection of large amounts of data which usually involves a lot of features has led to the need for the development of specific statistical techniques that will help studying their structure and extracting useful conclusions for them. It has been found that, for such an analysis it is required either a special adaptation of available conventional statistical techniques or the development of alternative techniques. In this paper we will provide a brief presentation of techniques used for the analysis of large amounts of data, and describe the respective algorithms along with the codes in R environment. In addition a comparison study of those techniques on real data is carried out. Specifically there will be used tree based regression techniques which are improved by exploiting machine learning algorithms. Furthermore there be used techniques based on classical linear regression model, in which a restriction (penalty) is applied on the model coefficients in order to address the phenomenon of multicollinearity, reduce the variance of the coefficients and achieve greater prediction accuracy.el
dc.contributor.masterΕφαρμοσμένη Στατιστικήel
dc.subject.keywordΑνάλυση παλινδρόμησηςel
dc.subject.keywordΓραμμική παλινδρόμησηel
dc.subject.keywordΜεγάλα δεδομέναel
dc.subject.keywordΣτατιστική ανάλυσηel
dc.subject.keywordLinear regressionel
dc.subject.keywordBig datael


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές

Βιβλιοθήκη Πανεπιστημίου Πειραιώς
Επικοινωνήστε μαζί μας
Στείλτε μας τα σχόλιά σας
Created by ELiDOC
Η δημιουργία κι ο εμπλουτισμός του Ιδρυματικού Αποθετηρίου "Διώνη", έγιναν στο πλαίσιο του Έργου «Υπηρεσία Ιδρυματικού Αποθετηρίου και Ψηφιακής Βιβλιοθήκης» της πράξης «Ψηφιακές υπηρεσίες ανοιχτής πρόσβασης της βιβλιοθήκης του Πανεπιστημίου Πειραιώς»