Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/37198
Type: | Artigo de Periódico |
Title: | Spatial extreme learning machines: an application on prediction of disease counts |
Authors: | Marcos Oliveira Prates |
Abstract: | Extreme learning machines have gained a lot of attention by the machine learning community because of its interesting properties and computational advantages. With the increase in collection of information nowadays, many sources of data have missing information making statistical analysis harder or unfeasible. In this paper, we present a new model, coined spatial extreme learning machine, that combine spatial modeling with extreme learning machines keeping the nice properties of both methodologies and making it very flexible and robust. As explained throughout the text, the spatial extreme learning machines have many advantages in comparison with the traditional extreme learning machines. By a simulation study and a real data analysis we present how the spatial extreme learning machine can be used to improve imputation of missing data and uncertainty prediction estimation |
Abstract: | As máquinas de aprendizado extremo têm recebido muita atenção da comunidade de aprendizado de máquina por causa de suas propriedades interessantes e vantagens computacionais. Com o aumento da coleta de informações nos dias de hoje, muitas fontes de dados apresentam falta de informações, tornando a análise estatística mais difícil ou inviável. Neste artigo, apresentamos um novo modelo, cunhado de máquina de aprendizado extremo espacial, que combina modelagem espacial com máquinas de aprendizado extremo mantendo as boas propriedades de ambas as metodologias e tornando-o muito flexível e robusto. Conforme explicado ao longo do texto, as máquinas de aprendizado extremo espacial têm muitas vantagens em comparação com as máquinas de aprendizado extremo tradicionais. Por meio de um estudo de simulação e uma análise de dados reais, apresentamos como a máquina de aprendizado extremo espacial pode ser usada para melhorar a imputação de dados perdidos e a estimativa de previsão de incerteza |
Subject: | Aprendizado do computador Teoria bayesiana de decisão estatistica. Análise espacial (Estatística) Ausencia de dados (Estatistica) |
language: | eng |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal de Minas Gerais |
Publisher Initials: | UFMG |
metadata.dc.publisher.department: | ICX - DEPARTAMENTO DE ESTATÍSTICA |
Rights: | Acesso Restrito |
metadata.dc.identifier.doi: | https://doi.org/10.1177/0962280218767985 |
URI: | http://hdl.handle.net/1843/37198 |
Issue Date: | 2019 |
metadata.dc.url.externa: | https://pubmed.ncbi.nlm.nih.gov/29629629/ |
metadata.dc.relation.ispartof: | Statistical methods in medical research |
Appears in Collections: | Artigo de Periódico |
Files in This Item:
There are no files associated with this item.
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.