Digitalni repozitorij raziskovalnih organizacij Slovenije

Iskanje po repozitoriju
A+ | A- | Pomoč | SLO | ENG

Iskalni niz: išči po
išči po
išči po
išči po

Možnosti:
  Ponastavi


Iskalni niz: "ključne besede" (linearna regresija) .

1 - 2 / 2
Na začetekNa prejšnjo stran1Na naslednjo stranNa konec
1.
Vpliv vremenskih razmer na pogostost padanja kamenja v Baški grapi
Blaž Rekanje, Milan Kobal, 2020, izvirni znanstveni članek

Povzetek: Na podlagi terenskih popisov na treh testnih območjih v Baški grapi ter merjenj meteoroloških spremenljivk smo analizirali vpliv vremena na pogostost padanja kamenja. Za poenotenje podatkov smo v ArcMap za vsak testni objekt (Klavže, Loje 1 in Loje 2) izračunali prispevno območje in površino morebitnih izvorov kamenja. Rezultati linearnega regresijskega modela niso pokazali statistično značilnih odvisnosti med pogostostjo padanja kamenja in meteorološkimi spremenljivkami na enem testnem območju. Količina padavin pozitivno vpliva na pogostost padanja kamenja na dveh testnih območjih ter v vseh kategorijah izvora (iz brežine, od daleč). Z višanjem temperature zraka in tal se na dveh testnih območjih in vseh kategorijah izvora manjša pogostost padanja kamenja. Količina padavin ter temperature zraka in tal bolj vplivajo na pogostost padanja kamenja z brežine kot višje iz izvorov. V raziskavi nismo potrdili statistično značilnega vpliva vetra na pogostost padanja kamenja
Ključne besede: padajoče kamenje, vreme, linearna regresija, Baška Grapa
Objavljeno v DiRROS: 14.12.2020; Ogledov: 1579; Prenosov: 478
.pdf Celotno besedilo (524,60 KB)

2.
Uporaba metod strojnega učenja za preučevanje odnosov med značilnostmi branik in okoljem
Jernej Jevšenak, Sašo Džeroski, Tom Levanič, 2017, izvirni znanstveni članek

Povzetek: Različne študije so pokazale, da lahko z nelinearnimi metodami bolje opišemo (modeliramo) odnos med branikami in okoljem. V naši študiji smo primerjali (multiplo) linearno regresijo (MLR) in štiri nelinearne metode strojnega učenja: modelna drevesa (MT), ansambel bagging modelnih dreves (BMT), umetne nevronske mreže (ANN) in metodo naključnih gozdov (RF). Za primerjavo teh metod modeliranja smo uporabili štiri množice podatkov. Natančnost naučenih modelov smo ocenili z metodo 10-kratnega prečnega preverjanja (ang. 10-fold cross-validation) na naši množici in preverjanjem na dodatni testni množici. Na vseh množicah smo dobili boljše statistične kazalce za nelinearne metode s področja strojnega učenja, s katerimi lahko pojasnimo večji delež variance oz. dobimo manjšo napako. Nobena metoda se ni pokazala kot najboljša v vseh primerih, zato je smiselno predhodno primerjati več različnih metod in nato uporabiti najprimernejšo, npr. za rekonstrukcijo klime.
Ključne besede: strojno učenje, primerjava metod, dendroklimatologija, umetne nevronske mreže, modelna drevesa, ansambel modelnih dreves, naključni gozdovi, linearna regresija
Objavljeno v DiRROS: 21.02.2018; Ogledov: 5233; Prenosov: 3270
.pdf Celotno besedilo (1,18 MB)
Gradivo ima več datotek! Več...

Iskanje izvedeno v 0.08 sek.
Na vrh