Отрывок: Ошибка прогноза полученной модели фиксируется. 5) Алгоритм повторяется с шага 1, используя полученный на шаге 4 набор в качестве полного. 6) Считается, что признаки ранжированы по важности в порядке, обратном порядку удаления: самый важный признак остается последним. На основании зависимости среднеквадратичного отклонения прогноза модели шага 4 на тестовом наборе от количества ВП в данной модели определяется оптимальный набор признаков на основе линейной регрес...
Название : | Исследование важности входных признаков при прогнозировании геомагнитного индекса алгоритмами машинного обучения |
Авторы/Редакторы : | Владимиров Р. Д. Широкий В. Р. Баринов О. Г. Мягкова И. Н. Доленко С. А. |
Дата публикации : | 2022 |
Библиографическое описание : | Исследование важности входных признаков при прогнозировании геомагнитного индекса алгоритмами машинного обучения / Р. Д. Владимиров, В. Р. Широкий, О. Г. Баринов, И. Н. Мягкова, С. А. Доленко // Информационные технологии и нанотехнологии (ИТНТ-2022) : сб. тр. по материалам VIII Междунар. конф. и молодеж. шк. (г. Самара, 23 - 27 мая) : в 5 т. / М-во науки и образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т систем обраб. изобр. РАН - фил. ФНИЦ "Кристаллография и фотоника" РАН. - Самара : Изд-во Самар. ун-та, 2022Т. 5: Науки о данных / под ред. А. В. Куприянова. - 2022. - С. 052522. |
Аннотация : | Одним из эффективных инструментов для прогнозирования временных рядов является использование методов машинного обучения, в частности, искусственных нейронных сетей. Однако при этом необходимым этапом исследования является понижение размерности входных данных. В данной работе рассматриваются результаты понижения размерности данных на основе ранжирования входных признаков по их существенности при решении задачи прогнозирования геомагнитного индекса Dst. Для оценки относительной существенности признаков используется итеративный подход, связанный с перебором моделей-кандидатов путём отбрасывания признаков по одному. |
Другие идентификаторы : | RU\НТБ СГАУ\493936 |
Ключевые слова: | алгоритмы машинного обучения геомагнитный индекс Dst отбор существенных признаков прогнозирование временных рядов прогнозирование геомагнитного индекса искусственные нейронные сети многомерные временные ряды (МВР) машинное обучение магнитосфера Земли |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
ИТНТ-2022. Том 5. Науки о данных/978-5-7883-1793-9_2022-052522.pdf | 1.07 MB | Adobe PDF | Просмотреть/Открыть |
Показать полное описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.