PORÓWNANIE SKUTECZNOŚCI DWÓCH KULTUR ANALITYCZNYCH

Main Article Content

Bolesław Borkowski
Marek Karwański
Wiesław Szczesny


Słowa kluczowe : modele zmiennych jakościowych, metody uczenia maszynowego
Abstrakt

W pracy dokonaliśmy analizy porównawczej skuteczności dwóch kultur analitycznych: statystycznej analizy i modeli algorytmicznych wykorzystujących metody uczenia maszynowego (sieci neuronowe, lasy losowe, algorytmy wzmocnienia gradientowego). Materiałem badawczym były dane pochodzące z Polskiego Systemu Informacyjnego Lasów Państwowych (SILP) i dotyczyły one pożarów zarejestrowanych w lasach państwowych. Łączna liczba obserwacji wynosiła 36328 a maksymalna liczba cech uwzględnionych w badaniu wynosiła 16. W badanym okresie łączna liczba zarejestrowanych pożarów wynosiła 25660 (od 2007 r. do końca maja 2016 r.) wahała się średnio w roku od 571 w 2016 r. do 3 897 w 2015 r. Analizę przyczyn wybuchu pożarów przeprowadziliśmy dwoma różnymi metodami, powszechnie znaną analizą statystyczną (model logitowy) i przy wykorzystaniu metod uczenia maszynowego, tj. lasy losowe, wzmocnienie gradientowe i sieci neuronowe). Celem pracy były badania skuteczności tych dwóch kultur analitycznych. Przeprowadzone badania nie wykazały zauważalnych różnic pomiędzy dwoma analizowanymi kulturami analitycznym w precyzji oszacowań modeli.

Article Details

Jak cytować
Borkowski, B., Karwański, M., & Szczesny, W. (2021). PORÓWNANIE SKUTECZNOŚCI DWÓCH KULTUR ANALITYCZNYCH. Metody Ilościowe W Badaniach Ekonomicznych, 22(4), 124–138. https://doi.org/10.22630/MIBE.2021.22.4.11
Bibliografia

Berk R. (2012) Criminal Justice Forecasts of Risk, a Machine Learning Approach. Springer. (Crossref)

Breiman L. (2001) Statistical Modeling: The Two Cultures. Statistical Science,16(3), 199-231 (Crossref)

Clarke B., Fokoue E., Zhang H. (2009) Principles and Theory for Data Mining and Machine Learning. Springer. (Crossref)

Dinsmore T. (2016) Disruptive Analytics: Charting Your Strategy for Next-Generation Business Analytics. Apress. (Crossref)

Goodfellow I., Bengio Y., Courville A. (2018) Deep Learning. MIT Press.

Hastie T., Tibshirani R., Friedman J. (2009) The Elements of Statistical Learning, Data Mining, Inference, and Prediction. Springer. (Crossref)

MacKay D. (2005) Information Theory, Inference, and Learning Algorithms. Cambridge.

Mukhopadhyay S., Wang K. (2020) Breiman’s “Two Cultures” Revisited and Reconciled. arXiv:2005.13596v1 [stat.ML], https://doi.org/10.48550/arXiv.2005.13596 (Crossref)

Murphy K. (2015) Machine Learning: A Probabilistic Perspective. MIT Press Cambridge.

Ovidiu C. (2020) Deep Learning Architectures: A Mathematical Approach. Springer.

Raschka S., Mirjalili V. (2017) Python Machine Learning. Packt Publishing

Statystyki

Downloads

Download data is not yet available.