Login for students

Login for employees

Publication detail

A Novel Approach to Regression: Exploring the Similarity Space with Ordinary Least Squares on Database Records
Authors: Rozinek Ondřej | Borkovcová Monika
Year: 2024
Type of publication: článek ve sborníku
Name of source: Conference of Open Innovation Association, FRUCT
Publisher name: IEEE (Institute of Electrical and Electronics Engineers)
Place: New York
Page from-to: 270-277
Titles:
Language Name Abstract Keywords
cze Nový přístup k regresi: Zkoumání prostoru podobnosti s obyčejnými nejmenšími čtverci v záznamech databáze Šíření textových dat, zejména ve formě databázových záznamů, vyžaduje inovativní metody analýzy, které jdou nad rámec tradičních numerických technik. Zatímco regrese nejmenších čtverců byla základním kamenem kvantitativní analýzy dat, její použitelnost na textová data zůstává do značné míry neprozkoumaná. Tato studie si klade za cíl překlenout tuto mezeru zavedením metody nejmenších čtverců založené na podobnosti přizpůsobené pro textová data. Na základě principů míry podobnosti v textu, jako je sémantická a syntaktická blízkost, navrhujeme rozšíření konvenčního rámce nejmenších čtverců. Náš přístup zahrnuje metriky podobnosti založené na slovech do objektivní funkce nejmenších čtverců, což umožňuje analýzu textových dat způsobem, který je v souladu s jejich kvalitativní povahou. Vyvinutá metodika je důsledně hodnocena pomocí syntetických i reálných databázových záznamů, což prokazuje její účinnost při odhalování složitých vztahů v rámci textových dat. Naše zjištění otevírají nové cesty pro analýzu textových dat a spojují přesnost třídy. podobnostní prostor, lineární regrese, podobnostní vyhledávání
eng A Novel Approach to Regression: Exploring the Similarity Space with Ordinary Least Squares on Database Records The proliferation of textual data, notably in the form of database records, calls for innovative methods of analysis that go beyond traditional numerical techniques. While least squares regression has been a cornerstone in quantitative data analysis, its applicability to textual data remains largely unexplored. This study aims to bridge this gap by introducing a similarity-based least squares method tailored for textual data. Drawing on the principles of similarity measures in text, such as semantic and syntactic closeness, we propose an extension to the conventional least squares framework. Our approach incorporates wordbased similarity metrics into the least squares objective function, enabling the analysis of textual data in a manner coherent with its qualitative nature. The developed methodology is rigorously evaluated using both synthetic and real-world database records, demonstrating its efficacy in uncovering intricate relationships within textual data. Our findings open new avenues for textual data analysis, blending the precision of class. similarity space, linear regression, similarity search

Department

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives