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...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Владимиров Р. Д. | ru |
dc.contributor.author | Широкий В. Р. | ru |
dc.contributor.author | Баринов О. Г. | ru |
dc.contributor.author | Мягкова И. Н. | ru |
dc.contributor.author | Доленко С. А. | ru |
dc.coverage.spatial | алгоритмы машинного обучения | ru |
dc.coverage.spatial | геомагнитный индекс Dst | ru |
dc.coverage.spatial | отбор существенных признаков | ru |
dc.coverage.spatial | прогнозирование временных рядов | ru |
dc.coverage.spatial | прогнозирование геомагнитного индекса | ru |
dc.coverage.spatial | искусственные нейронные сети | ru |
dc.coverage.spatial | многомерные временные ряды (МВР) | ru |
dc.coverage.spatial | машинное обучение | ru |
dc.coverage.spatial | магнитосфера Земли | ru |
dc.creator | Владимиров Р. Д., Широкий В. Р., Баринов О. Г., Мягкова И. Н., Доленко С. А. | ru |
dc.date.issued | 2022 | ru |
dc.identifier | RU\НТБ СГАУ\493936 | ru |
dc.identifier.citation | 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. | ru |
dc.description.abstract | 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. | ru |
dc.language.iso | rus | ru |
dc.relation.ispartof | Информационные технологии и нанотехнологии (ИТНТ-2022) : сб. тр. по материалам VIII Междунар. конф. и молодеж. шк. (г. Самара, 23 - 27 мая) : в 5 т. - | ru |
dc.source | Информационные технологии и нанотехнологии (ИТНТ-2022). - Т. 5 : Науки о данных | ru |
dc.title | Исследование важности входных признаков при прогнозировании геомагнитного индекса алгоритмами машинного обучения | ru |
dc.type | Text | ru |
dc.citation.spage | 052522 | ru |
dc.citation.volume | 5 | ru |
dc.textpart | 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... | - |
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 базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.