Detailansicht
Mathematical aspects of applying conformal prediction to regression models
Dmytro Rzhemovskyi
Art der Arbeit
Magisterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Magisterstudium Statistik
Betreuer*in
Hannes Leeb
DOI
10.25365/thesis.74593
URN
urn:nbn:at:at-ubw:1-16606.06908.410719-8
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Conformal prediction (CP) ist eine Methode zur Konstruktion von Vorhersageintervallen, die vor 20 Jahren von Vovk und Gammerman eingeführt wurde. In dieser Arbeit geben wir einen Uberblick über CP und betrachten wichtige Eigenschaften dieser Methode wie starke Validität und Optimalität sowie ihre Anwendungen auf das Regressionsproblem unter verschiedenen Voraussetzungen. Der Fokus liegt auf rigorosen Beweisen der Ergebnisse, die in der Arbeit “On-line predictive linear regression” präsentiert werden, wobei alle zusätzlichen relevanten Konzepte einbezogen werden
Abstract
(Englisch)
Conformal prediction (CP) is a method of constructing prediction intervals presented 20 years ago by Vovk and Gammerman. In this thesis we provide an overview of CP and consider important properties of the method such as strong validity and optimality as well as its applications to the regression problem under different settings. We focus on providing rigorous proofs for the results presented in the paper “On-line predictive linear regression” and consider in detail all the necessary additional concepts.
Schlagwörter
Schlagwörter
(Deutsch)
Regressionsmodelle Conformal Prediction
Schlagwörter
(Englisch)
Conformal prediction regression models
Autor*innen
Dmytro Rzhemovskyi
Haupttitel (Englisch)
Mathematical aspects of applying conformal prediction to regression models
Paralleltitel (Deutsch)
Mathematische Aspekte der Anwendung von Conformal Prediction auf Regressionsmodelle
Publikationsjahr
2023
Umfangsangabe
44 Seiten
Sprache
Englisch
Beurteiler*in
Hannes Leeb
AC Nummer
AC16978397
Utheses ID
68658
Studienkennzahl
UA | 066 | 951 | |