Variable selection for robust model-based learning from contaminated data = Selezione di variabili nella stima robusta di modelli per dati contaminati

Andrea Cappozzo, Francesca Greselin, Brendan Murphy

Risultato della ricerca: Contributo in libroContributo a convegno

Abstract

[Ita:]Recenti risultati in letteratura hanno dimostrato che l’apprendimento su- pervisionato migliora notevolmente quando si scelgono le variabili pi`u rilevanti per la costruzione della regola discriminante. La presenza di valori anomali e di unit`a erroneamente classificate nel learning set pu`o severamente minare la deter- minazione dei predittori rilevanti e sfortunatamente quasi nessuna metodologia af- fronta questo problema. Il presente contributo propone un nuovo approccio robusto, che incorpora un classificatore all’interno di un metodo incrementale di selezione delle variabili. Risultati simulativi mostrano i vantaggi del nuovo metodo, in com- parazione con soluzioni non robuste.
Lingua originaleEnglish
Titolo della pubblicazione ospiteBook of Short Papers SIS 2020
Pagine1117-1122
Numero di pagine6
Stato di pubblicazionePubblicato - 2020
Evento50th Scientific Meeting of the Italian Statistical Society - Pisa
Durata: 22 giu 202024 giu 2020

Convegno

Convegno50th Scientific Meeting of the Italian Statistical Society
CittàPisa
Periodo22/6/2024/6/20

Keywords

  • Variable Selection
  • Model-Based Classification
  • Label Noise
  • Robust Estimation
  • Wrapper approach
  • Impartial Trimming
  • Outliers Detection

Fingerprint

Entra nei temi di ricerca di 'Variable selection for robust model-based learning from contaminated data = Selezione di variabili nella stima robusta di modelli per dati contaminati'. Insieme formano una fingerprint unica.

Cita questo