Construction of Data Models by Means of Hierarchical Archimedean Copulas

Abstract

Tato dizertační práce se zabývá různými přístupy ke konstrukci odhadů hierarchických archimedovských kopulí. Cílem práce je zejména návrh efektivních algoritmů pro konstrukci takových odhadů. Tyto algoritmy jsou poté experimentálně testovány na simulovaných datech. V aplikační části této práce je navržena nová množina bayesovských klasifikátorů založených na hierarchických archimedovských kopulích, které jsou poté experimentálně porovnány s dalšími známými klasifikátory vzhledem k jejich přesnosti.

This dissertation work explores various approaches to hierarchical Archimedean copula estimation. In particular, efficient estimation algorithms are proposed and experimentally tested on simulated data. As an application, a new set of Bayesian classifiers based on hierarchical Archimedean copulas is constructed and experimentally compared with other popular classifiers in terms of accuracy.