Отрывок: pred = wine[, wine.pred.names] set .seed(1) train=sample(1:nrow(wine.pred), nrow(wine.pred)/2) test=(-train) x = model.matrix(~., wine.pred[train, ]) [, -1] y = wine$quality[train] x. test = model.matrix(~., wine.pred[test, ]) [, -1] y. test = wine$quality[test] Матрицу значений предикторов для обучающей выборки мы будем хранить в переменной x, а отклик в переменной y. Для контрольной выборки мы используем переменные x.test и y.test. Регрессионную МНК-модель можно п...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Мелкумова, Л.Э. | - |
dc.contributor.author | Шатских, С.Я. | - |
dc.date.accessioned | 2017-05-25 13:46:11 | - |
dc.date.available | 2017-05-25 13:46:11 | - |
dc.date.issued | 2017 | - |
dc.identifier | Dspace\SGAU\20170523\64145 | ru |
dc.identifier.citation | Мелкумова Л.Э. Сравнение методов Ридж-регрессии и LASSO в задачах обработки данных / Л.Э. Мелкумова, С.Я. Шатских // Сборник трудов III международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2017) - Самара: Новая техника, 2017. - С.1748-1755. | ru |
dc.identifier.uri | http://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Sravnenie-metodov-Ridzhregressii-i-LASSO-v-zadachah-obrabotki-dannyh-64145 | - |
dc.description.abstract | Работа посвящена сравнению методов линейной регрессии Ридж и LASSO. Преимущества каждого из этих методов рассматриваются на примерах тестовых данных с вычислениями в пакете R. | ru |
dc.description.sponsorship | Работа выполнена при поддержке РФФИ (грант № 16-41-630-676, грант № 16-01-00184А). | ru |
dc.language.iso | rus | ru |
dc.publisher | Новая техника | ru |
dc.subject | линейная регрессия | ru |
dc.subject | Ридж-регрессия | ru |
dc.subject | LASSO | ru |
dc.subject | кросс-валидация | ru |
dc.title | Сравнение методов Ридж-регрессии и LASSO в задачах обработки данных | ru |
dc.type | Article | ru |
dc.textpart | pred = wine[, wine.pred.names] set .seed(1) train=sample(1:nrow(wine.pred), nrow(wine.pred)/2) test=(-train) x = model.matrix(~., wine.pred[train, ]) [, -1] y = wine$quality[train] x. test = model.matrix(~., wine.pred[test, ]) [, -1] y. test = wine$quality[test] Матрицу значений предикторов для обучающей выборки мы будем хранить в переменной x, а отклик в переменной y. Для контрольной выборки мы используем переменные x.test и y.test. Регрессионную МНК-модель можно п... | - |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
paper 315_1748-1755.pdf | Основная статья. Раздел: Наука о данных | 1.08 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.