文献

J-GLOBAL ID：202002267373942932   整理番号：20A2615203

工学データの学習と予測に対する分数ホットデック補完の影響【JST・京大機械翻訳】

Impacts of Fractional Hot-Deck Imputation on Learning and Prediction of Engineering Data

著者 (6件)： Song Ikkyun (Department of Civil Engineering, Iowa State University, Ames, IA, USA) ,  Yang Yicheng (Department of Civil Engineering, Iowa State University, Ames, IA, USA) ,  Im Jongho (Department of Applied Statistics, Yonsei University, Seoul, Republic of Korea) ,  Tong Tong (Department of Civil Engineering, Iowa State University, Ames, IA, USA) ,  Ceylan Halil (Department of Civil Engineering, Iowa State University, Ames, IA, USA) ,  Cho In Ho (Department of Civil Engineering, Iowa State University, Ames, IA, USA)
資料名： IEEE Transactions on Knowledge and Data Engineering  (IEEE Transactions on Knowledge and Data Engineering)
巻： 32  号： 12  ページ： 2363-2373  発行年： 2020年 
JST資料番号： T0838A  ISSN： 1041-4347  CODEN： ITKEEH  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 広い工学分野では,欠測データは,しばしば望ましくないバイアスとスパース性に不正確なデータ分析を引き起こす一般的な問題である。この問題に取り組むために,多くの補完理論が提案され,広く使用された。しかし,以前の方法は,しばしば,工学研究にとっていくつかの困難を引き起こすかもしれないデータに関する分布仮定と事前知識を必要とする。本質的には,分数ホットドックインピュテーション(FHDI)は,工学ドメインにおける広い適用性を保持する,仮定フリーの補完法である。しかし,FHDIs内部パラメータおよび統計的および機械学習法に対する影響は,ほとんど理解されていない。そこで,本研究では,4つの実際的データセット(適応エネルギー,大気質,表現型,および天候)を用いて,一般化加法モデル,サポートベクトルマシン,極度にランダム化された木,および人工ニューラルネットワークを含む予測方法に及ぼすFHDIの挙動と影響を調査した。結果は,FHDIが属性の平均値を用いて欠測データを硬化する単純なナイーブ法と比較して予測精度を改善するためにより良く機能し,FHDIは応答速度の減少で予測精度に漸近的に正の効果を有することを示した。最適設定に関して,30から35はFHDIs内部分類数に対して推奨され,一方,5はFHDIドナーに対して推奨され,それはRubins推薦と整合した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  ドナー ,  ニューラルネットワーク ,  表現型 ,  適応性 ,  バイアス ,  加算 ,  機械学習 ,  *サポートベクトルマシン
準シソーラス用語： 事前知識 ,  スパース性 ,  予測精度 ,  欠測値 ,  大気質 ,  天候 , 【Automatic Indexing@JST】

分類 (3件)： 数値計算  (JE02000J) ,  図形・画像処理一般  (JE04010I) ,  信号理論  (ND02020G)

タイトルに関連する用語 (6件)： 工学 ,  学習 ,  予測 ,  分数 ,  デック ,  補完