Statistiline mudeli valik Akaike informatsioonikriteeriumi ja suurimate vahemike meetodi abil
Kuupäev
2024
Autorid
Ajakirja pealkiri
Ajakirja ISSN
Köite pealkiri
Kirjastaja
Tartu Ülikool
Abstrakt
Bakalaureusetöö eesmärk on tutvuda Kullback-Leibleri informatsioonimõõdu lähendamisel põhineva Akaike informatsioonikriteeriumiga ning uurida, millist täiendavat informatsiooni annab mudelite valideerimise kontekstis suurimate vahemike meetod. Töös vaadeldakse Kullback-Leibleri informatsiooni ja selle seost suurima tõepära meetodiga, käsitletakse Akaike informatsioonikriteeriumit ning sobitatakse andmetele erineva komponentide arvuga normaaljaotuste segujaotusi eesmärgiga tuvastada sobiv komponentide arv. Andmestikule segujaotuste sobitamisel selgus, et suurimate vahemike meetod andis selgema tulemuse sobivaima komponentide arvu valikul kui Akaike informatsioonikriteerium.
Kirjeldus
Märksõnad
Kullback-Leibleri informatsioon, mudelite valideerimine, normaaljaotuste segud, suurimate vahemike meetod, Akaike informatsioonikriteerium, model validation, Gaussian mixture models, maximum spacing method, Kullback-Leibler information, Akaike information criterion