Browsing by Author "Hendrikson, Reigo"

Now showing 1 - 4 of 4

Eesti meeste hoiakute ja käitumise uuring: tervis, haridus, tööhõive, ränne ja pereloome
(Tartu, 2015) Themas, Aivi; Ainsaar, Mare; Soo, Kadri; Sammul, Marek; Uusküla, Anneli; Tarum, Häli; Hendrikson, Reigo; Arak, Triinu; Espenberg, Kerly; Varblane, Uku; Tartu Ülikool; Tartu Ülikool. RAKE, sotsiaalteaduslike rakendusuuringute keskus
Halo-alfa-beeta mudel isiksuseomaduste kirjeldamiseks
(Tartu Ülikool, 2013) Hendrikson, Reigo; Konstabel, Kenn, juhendaja; Tartu Ülikool. Sotsiaal- ja haridusteaduskond; Tartu Ülikool. Psühholoogia instituut
Nominaalsete sisendtunnuste vaheliste seoste kasutamine lähinaabrite meetodi korral
(Tartu Ülikool, 2013-06-12) Hendrikson, Reigo; Pärna, Kalev, juhendaja; Tartu Ülikool. Matemaatika-informaatikateaduskond; Tartu Ülikool. Matemaatilise statistika instituut
Lähinaabrite meetod on mitteparameetrilise regressiooni tehnika, mis kasutab uuritava tunnuse hindamiseks mingil objektil vaid neid treeningandmestikku kuuluvad objekte, mis on lähedal uuritavale objektile. Meetod tugineb eeldusele, et uuritava tunnuse väärtus sarnaneb väärtustega, mis vastavad pigem objektile lähemal kui kaugemal paiknevatele objektidele. Käesolev bakalaureusetöö keskendub lähinaabrite meetodi rakendamisele nominaalsetel tunnustel. Nominaaltunnuste korral traditsiooniliselt kasutatav kaugus on nn Hamming'i (0-1)-kaugus, mis on aga liiga kohmakas analüüsivahend. Samuti ei tundu olevat õige kasutada objektidevahelise kauguse mõõduna üksiktunnuste järgi võetud erinevuste summat, kuna see ei võta arvesse nominaaltunnuste vahelisi seoseid. Nominaaltunnuste vaheliste seoste arvesse võtmiseks pakume välja moodustada kõigist nominaaltunnustest liittunnus, mille väärtusteks on lähtetunnuste väärtuste kombinatsioonid. Liittunnuse probleemiks on aga väärtuskombinatsioonide paljusus ja erinevaid tunnuste kombinatsioone esindavate vaatluste vähesus. Selle probleemi lahendamiseks grupeerime tunnuste kombinatsioonid sarnasuse põhjal. Selleks defineerime uue kaugusfunktsiooni, mis erineb traditsioonilisest väärtustega 0 ja 1 kaugusfunktsioonist. Seega pakume antud bakalaureusetöös välja ühe võimaliku viisi nominaalsete tunnuste vaheliste seoste arvestamiseks lähinaabrite meetodi korral. Bakalaureusetöö on jagatud viieks osaks. Esimeses peatükis anname lühikese ülevaate lähinaabrite meetodist ja defineerime uue kaugusfunktsiooni. Teises osas kirjeldame töös kasutatavat meetodit uuritava tunnuse väärtuste prognoosimiseks. Töö kolmandas osas kirjeldame k-keskmise meetodit ja Lloyd'i iteratiivset algoritmi. Neljandas osas keskendume optimaalse klasside arvu määramisele ning viiendas osas rakendame teises peatükis kirjeldatud meetodit reaalsetel andmetel. Töös esitatud joonised ja andmed nende moodustamiseks on saadud programmi R abil. Töö on kirjutatud tekstitöötlusprogrammis MiKTeX.
Using Gromov-Wasserstein distance to explore sets of networks
(2016) Hendrikson, Reigo; Zafra, Raul Vicente, juhendaja; Tartu Ülikool. Matemaatika ja statistika instituut; Tartu Ülikool. Loodus- ja täppisteaduste valdkond.
In many fields such as social sciences or biology, relations between data or variables are presented as networks. To compare these networks, a meaningful notion of distance between networks is highly desired. The aim of this Master thesis is to study, implement, and apply one Gromov-Wasserstein type of distance introduced by F.Memoli (2011) in his paper "Gromov-Wasserstein Distances and the Metric Approach to Object Matching" to study sets of complex networks. Taking into account theoretical underpinnings introduced in this paper we represent some real world networks as metric measure spaces and compare them on basis of Gromov-Wasserstein distance.