Deep Generalized Additive Regression Models for Location, Scale and Shape using TensorFlow

Das Deep Distributional Learning-Modell oder Deep Generalized Additive Regression Models für Locations, Scale and Shape (DGAMLSS) ist ein flexibles Framework, das von Rügamer et al. [1] entwickelt wurde und in das sowohl strukturierte additive als auch Deep Neural Network-Teile einbezogen sind der additive Prädiktor für die Verteilungsregression. In diesem Artikel verwenden wir eine Reihe von Datensätzen, die separat durch verschiedene Verteilungen simuliert wurden, untersuchen die Leistung von Deep GAMLSS und vergleichen sie mit anderen drei hochmodernen Designs für GAMLSS, nämlich GAMLSS mit maximaler Wahrscheinlichkeit [2]. BAMLSS [3] und GamboostLSS [4]. Ein solcher Vergleich wird unter verschiedenen Gesichtspunkten demonstriert. Schätzungen sowohl zu linearen als auch zu nichtlinearen Begriffen werden untersucht und anhand verschiedener Modelle verglichen, um ihre Stärken und Schwächen zu ermitteln. DGAMLSS übertrifft im Allgemeinen andere Modelle in Bezug auf Vorhersagegenauigkeit, Konvergenzgeschwindigkeit und Robustheit unter Rauschen, insbesondere bei der Annahme einer komplexen Verteilung, unterscheidet jedoch nicht zwischen linearen, nichtlinearen und unstrukturierten Schätzern.

Grantor dc:publisher

Humboldt-Universität zu Berlin

Year dc:date.issued

2020

Author dc:creator

• Yang, Kang

• GAMLSS
• DFNN
• Variationsinferenz
• Tiefes Lernen
• Tensorflow-Wahrscheinlichkeit
• Variational Inference
• Deep learning
• Tensorflow probability

Statement dc:rights

• (CC BY 4.0) Attribution 4.0 International

Licence dc:rights.uri

• https://creativecommons.org/licenses/by/4.0/

Language dc:language.iso

eng

DOI

https://doi.org/10.18452/21366

OAI record oai:identifier

https://edoc.hu-berlin.de/server/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Aedoc.hu-berlin.de%3A18452%2F22209