Počet záznamů: 1
Avoiding overfitting of models: an application to research data on the Internet videos
- 1.
SYSNO ASEP 0481488 Druh ASEP K - Konferenční příspěvek (lokální konf.) Zařazení RIV Stať ve sborníku Název Avoiding overfitting of models: an application to research data on the Internet videos Tvůrce(i) Jiroušek, Radim (UTIA-B) ORCID
Krejčová, I. (CZ)Celkový počet autorů 2 Zdroj.dok. Proceedings of the 35th International Conference Mathematical Methods in Economics (MME 2017). - Hradec Králové : University of Hradec Králové, 2017 - ISBN 978-80-7435-678-0
S. 289-294Poč.str. 6 s. Forma vydání Online - E Akce MME 2017. International Conference Mathematical Methods in Economics /35./ Datum konání 13.09.2017 - 15.09.2017 Místo konání Hradec Králové Země CZ - Česká republika Typ akce EUR Jazyk dok. eng - angličtina Země vyd. CZ - Česká republika Klíč. slova data-based learning ; probabilistic models ; information theory ; MDL principle ; lossless encoding Vědní obor RIV AH - Ekonomie Obor OECD Applied Economics, Econometrics Institucionální podpora UTIA-B - RVO:67985556 UT WOS 000427151400050 Anotace The problem of overfitting is studied from the perspective of information theory. In this context, data-based model learning can be viewed as a transformation process, a process transforming the information contained in data into the information represented by a model. The overfitting of a model often occurs when one considers an unnecessarily complex model, which usually means that the considered model contains more information than the original data. Thus, using one of the basic laws of information theory saying that any transformation cannot increase the amount of information, we get the basic restriction laid on models constructed from data: A model is acceptable if it does not contain more information than the input data file. Pracoviště Ústav teorie informace a automatizace Kontakt Markéta Votavová, votavova@utia.cas.cz, Tel.: 266 052 201. Rok sběru 2018
Počet záznamů: 1