메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
저널정보
한국자료분석학회 Journal of The Korean Data Analysis Society Journal of The Korean Data Analysis Society 제15권 제4호
발행연도
2013.1
수록면
1,767 - 1,776 (10page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
Quantile regression has been an popular method for estimating the quantiles of a conditional distribution on the values of covariates. Support vector quantile regression (SVQR) is capable of providing a good description of the linear and nonlinear relationships among random variables. The SVQR results in nonsparsity because of the zero- insensitiveness of check function. In this paper, we propose a partially linear SVQR (PSVQR) using an asymmetric e-insensitive loss function in SVQR in order to provide the efficient estimation and sparsity. The proposed loss function is designed to provide more sparsity by adjusting insensitiveness according the sign of residuals. The asymmetric e-insensitive loss function is used to increase the sparsity efficiently. We have a generalized approximate cross validation function for choosing hyperparameters which affects the performance of the proposed estimator. Experimental results are then presented which illustrate the performance of the proposed method by comparing with nonsparse partially linearly SVQR. Through the examples we showed that the proposed method provides the sparsity and better performance than partially linear support vector quantile regression using check function.
#Asymmetric e-insensitive loss function #model selection #partially linear quantile regression #sparsity #support vector.

목차

등록된 정보가 없습니다.

참고문헌 (21)

참고문헌 신청
Cherkassky, V. / 2004 / Practical selection of SVM parameters and noise estimation for SVM regression / Neural Networks 17 (1) : 113 ~ 126 google schola Garland, T. Jr. / 1983 / The relation between maximal running speed and body mass in terrestrial mammals / Journal of Zoology 199 : 157 ~ 170 google schola Hwang, C. / 2005 / A simple quantile regression via support vector machine / Lecture Notes in Computer Science 3610 : 512 ~ 520 google schola Koenker, R. / 1978 / Regression quantile / Econometrica 46 (1) : 33 ~ 50 google schola Koenker, R. / 2005 / Quantile regression / Cambridge University Press google schola

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0