dc.contributor.advisor | Semerák, Vilém | |
dc.creator | Kovařík, Tomáš | |
dc.date.accessioned | 2019-02-19T17:53:53Z | |
dc.date.available | 2019-02-19T17:53:53Z | |
dc.date.issued | 2019 | |
dc.identifier.uri | http://hdl.handle.net/20.500.11956/105017 | |
dc.description.abstract | In this thesis I focus on comparison of gravity model estimated with ordinary least squares and Poisson pseudo-maximum likelihood with regression techniques based on machine learning, namely support vector machines, random forests, and arti_cial neural networks. I discuss the advantages and disadvantages of these approaches and compare their forecasting accuracy on exports data. I demonstrate that random forest models and arti_cial neural networks provide superior forecasting accuracy. | en_US |
dc.description.abstract | V této práci se soustředím na porovnání gravitačního modelu odhadnutého pomocí metody nejmenších čtverců a metody Poissonovy maximální věrohodnosti oproti regresním technikám založeným na strojovém učení, konkrétně se jedná o support vector machines, random forests, a umělé neuronové sítě. Provádím diskusi výhod a nevýhod jednotlivých přístupů a srovnávám jejich predikční schopnosti na exportních datech. Demonstruji, že random forest model a umělé neuronové sítě poskytují lepší predikce. | cs_CZ |
dc.language | English | cs_CZ |
dc.language.iso | en_US | |
dc.publisher | Univerzita Karlova, Fakulta sociálních věd | cs_CZ |
dc.subject | machine learning | cs_CZ |
dc.subject | mezinárodní obchod | cs_CZ |
dc.subject | prognostika | cs_CZ |
dc.subject | machine learning | en_US |
dc.subject | international trade | en_US |
dc.subject | forecasting | en_US |
dc.title | Machine learning-based approaches to forecasting international trade | en_US |
dc.type | bakalářská práce | cs_CZ |
dcterms.created | 2019 | |
dcterms.dateAccepted | 2019-01-29 | |
dc.description.department | Institute of Economic Studies | en_US |
dc.description.department | Institut ekonomických studií | cs_CZ |
dc.description.faculty | Fakulta sociálních věd | cs_CZ |
dc.description.faculty | Faculty of Social Sciences | en_US |
dc.identifier.repId | 191197 | |
dc.title.translated | Prognózování mezinárodního obchodu s využitím metod strojového učení | cs_CZ |
dc.contributor.referee | Macháček, Vít | |
thesis.degree.name | Bc. | |
thesis.degree.level | bakalářské | cs_CZ |
thesis.degree.discipline | Economics and Finance | en_US |
thesis.degree.discipline | Ekonomie a finance | cs_CZ |
thesis.degree.program | Economics | en_US |
thesis.degree.program | Ekonomické teorie | cs_CZ |
uk.thesis.type | bakalářská práce | cs_CZ |
uk.taxonomy.organization-cs | Fakulta sociálních věd::Institut ekonomických studií | cs_CZ |
uk.taxonomy.organization-en | Faculty of Social Sciences::Institute of Economic Studies | en_US |
uk.faculty-name.cs | Fakulta sociálních věd | cs_CZ |
uk.faculty-name.en | Faculty of Social Sciences | en_US |
uk.faculty-abbr.cs | FSV | cs_CZ |
uk.degree-discipline.cs | Ekonomie a finance | cs_CZ |
uk.degree-discipline.en | Economics and Finance | en_US |
uk.degree-program.cs | Ekonomické teorie | cs_CZ |
uk.degree-program.en | Economics | en_US |
thesis.grade.cs | Výborně | cs_CZ |
thesis.grade.en | Excellent | en_US |
uk.abstract.cs | V této práci se soustředím na porovnání gravitačního modelu odhadnutého pomocí metody nejmenších čtverců a metody Poissonovy maximální věrohodnosti oproti regresním technikám založeným na strojovém učení, konkrétně se jedná o support vector machines, random forests, a umělé neuronové sítě. Provádím diskusi výhod a nevýhod jednotlivých přístupů a srovnávám jejich predikční schopnosti na exportních datech. Demonstruji, že random forest model a umělé neuronové sítě poskytují lepší predikce. | cs_CZ |
uk.abstract.en | In this thesis I focus on comparison of gravity model estimated with ordinary least squares and Poisson pseudo-maximum likelihood with regression techniques based on machine learning, namely support vector machines, random forests, and arti_cial neural networks. I discuss the advantages and disadvantages of these approaches and compare their forecasting accuracy on exports data. I demonstrate that random forest models and arti_cial neural networks provide superior forecasting accuracy. | en_US |
uk.file-availability | V | |
uk.publication.place | Praha | cs_CZ |
uk.grantor | Univerzita Karlova, Fakulta sociálních věd, Institut ekonomických studií | cs_CZ |
thesis.grade.code | B | |