EN

Is On-Line Data Analysis Safety? Pitfalls Steaming from Automated Processing of Heterogeneous ...

JARKOVSKÝ, Jiří, Ladislav DUŠEK a Eva JANOUŠOVÁ. Is On-Line Data Analysis Safety? Pitfalls Steaming from Automated Processing of Heterogeneous Environmental Data and Possible Solutions. In Jiří Hřebíček, Gerald Schimak, Ralf Denzer. Environmental Software Systems: Frameworks of Environment, IFIP Advances in Information and Communication Technology, vol. 359. Neuveden: Springer, 2011. s. 486-490, 5 s. ISBN 978-3-642-22284-9.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Is On-Line Data Analysis Safety? Pitfalls Steaming from Automated Processing of Heterogeneous Environmental Data and Possible Solutions
Autoři JARKOVSKÝ, Jiří (203 Česká republika, garant, domácí), Ladislav DUŠEK (203 Česká republika, domácí) a Eva JANOUŠOVÁ (203 Česká republika, domácí).
Vydání Neuveden, Environmental Software Systems: Frameworks of Environment, IFIP Advances in Information and Communication Technology, vol. 359, od s. 486-490, 5 s. 2011.
Nakladatel Springer
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 3. Medical and Health Sciences
Stát vydavatele Německo
Utajení není předmětem státního či obchodního tajemství
Forma vydání paměťový nosič (CD, DVD, flash disk)
Kód RIV RIV/00216224:14110/11:00052824
Organizační jednotka Lékařská fakulta
ISBN 978-3-642-22284-9
ISSN 1868-4238
UT WoS 000306579200052
Klíčová slova anglicky classification; nonparametric multivariate analysis; heterogeneous data
Změnil Změnila: RNDr. Eva Koriťáková, Ph.D., učo 184380. Změněno: 22. 1. 2014 23:58.
Anotace
The current situation in environmental monitoring is characterized by increasing amount of data from monitoring networks together with increasing requirements on joining of these data from various sources in comprehensive databases and their usage for decision support in environmental protection and management. The automated analysis of such a heterogeneous datasets is a complicated process, rich in statistical pitfalls. There is a number of methods for multivariate classification of objects, e.g. logistic regression, discriminant analysis or neural networks; however, most of commonly used classification techniques have prerequisites about distribution of data, are computationally demanding or their model can be considered as “black box”. Keeping these facts in mind, we attempted to develop a robust multivariate method suitable for classification of unknown cases with minimum sensitivity to data distribution problems; and thus, suitable for routine use in practice.
VytisknoutZobrazeno: 19. 4. 2019 08:46

Další aplikace