| 中文题名： | 贝叶斯可加回归树（BART）模型在统计学习中的应用 |
| 姓名： | |
| 保密级别： | 公开 |
| 论文语种： | chi |
| 学科代码： | 071201 |
| 学科专业： | |
| 学生类型： | 学士 |
| 学位： | 理学学士 |
| 学位年度： | 2024 |
| 校区： | |
| 学院： | |
| 第一导师姓名： | |
| 第一导师单位： | |
| 提交日期： | 2024-06-26 |
| 答辩日期： | 2024-05-15 |
| 外文题名： | 无 |
| 中文关键词： | |
| 外文关键词： | |
| 中文摘要： |
贝叶斯可加回归树（BART）是近些年来提出的一种新型的复杂数据统计学习方法。BART融合了贝叶斯统计和决策树模型的优点，在较多回归和分类统计建模分析中均有优异表现。本文拟尝试学习总结BART模型的基本理论，阐述其在非线性关系处理、异方差数据分析以及变量选择等方面的优势，并分别以Boston数据集、iris数据集为例考查BART模型在实际问题中的表现。有限数据分析结果表明，BART模型相对于OLS以及随机森林方法更加稳健和有效。 |
| 外文摘要： |
无 |
| 参考文献总数： | 4 |
| 插图总数： | 3 |
| 插表总数： | 3 |
| 馆藏号： | 本071201/24056 |
| 开放日期： | 2025-06-26 |
谷歌
