Recently Published
LAPORAN PRAKTIKUM PERTEMUAN 4
Ensemble learning merupakan pendekatan pembelajaran mesin yang menggabungkan beberapa model dasar (base learner) untuk memperoleh hasil prediksi yang lebih baik dibandingkan penggunaan satu model saja. Salah satu metode ensemble learning adalah boosting, yaitu membangun model secara berurutan sehingga model berikutnya berupaya memperbaiki kesalahan yang masih dilakukan model sebelumnya (Bonaccorso, 2018; Forsyth, 2019).
Semana 3: Discriminación de precios y colusión en R (Regulación Económica)
Notebook de clase del curso Regulación Económica (Cód. 4202), Facultad de Economía, UNHEVAL. Unidad I, sesiones 5 y 6. Desarrolla paso a paso, con fórmulas, demostraciones e implementación en R, la discriminación de precios de primer, segundo y tercer grado (excedentes con integrales, regla de la elasticidad inversa y efectos sobre el bienestar), los modelos de Cournot y Bertrand, el dilema del cártel y el factor de descuento crítico. Incluye simulaciones, gráficos y ejercicios resueltos. Elaborado por MSc. Jeel Cueva.
Unidad 3: Estadística No Paramétrica en R (Signos, Wilcoxon, Mann-Whitney, Chi-cuadrado y Fisher)
Notebook de clase del curso Muestreo y Estadística No Paramétrica (Facultad de Economía, UNHEVAL). Desarrolla paso a paso, con fórmulas, explicación e implementación en R, la prueba de los signos, la de Wilcoxon de rangos con signo, la U de Mann-Whitney, la Chi-cuadrado de independencia y la exacta de Fisher, además del estimador de Hodges-Lehmann y el tamaño del efecto. Incluye un taller con datos de una encuesta de salud y el solucionario del examen parcial. Elaborado por MSc. Jeel Elvis Cueva Laguna.
LAPORAN PRAKTIKUM 3
Ensemble learning merupakan pendekatan machine learning yang menggabungkan beberapa model untuk menghasilkan prediksi. Salah satu metodenya adalah bagging (Bootstrap Aggregating), yaitu membangun model dari sejumlah sampel bootstrap yang diambil dari data pelatihan, kemudian menggabungkan hasil prediksi model-model tersebut. Breiman (1996) menjelaskan bahwa bagging dapat meningkatkan kestabilan prediksi dengan menggabungkan hasil dari sejumlah model yang dibangun pada sampel bootstrap. Pada regresi, hasil prediksi umumnya digabungkan dengan menghitung rata-rata prediksi dari seluruh model.
