Участник:LyubovLeonteva

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: '''МФТИ, ФУПМ''' Кафедра '''"Интеллектуальные системы"''' Направление '''"Интеллектуальный анализ данных"''...)
(→Отчет о научно-исследовательской работе)
Строка 9: Строка 9:
== Отчет о научно-исследовательской работе ==
== Отчет о научно-исследовательской работе ==
-
'''ПУБЛИКАЦИИ'''
+
'''Весна 2011, 6-й семестр'''
-
'''Название'''
+
'''Многомерная гусеница, выбор длины и числа компонент'''
-
Многомерная гусеница, выбор длины и числа компонент
+
''В работе описывается метод гусеницы (SSA) и его применение для прогнозирования временных рядов. Алгоритм основан на выделении из изучаемого временного ряда некоторого набора его главных компонент и последующего построения прогноза по выбранному набору. Исследуется зависимость точности прогноза от выбора длины гусеницы и числа ее компонент. В вычислительном эксперименте приводятся результаты работы алгоритма на периодических рядах с разным рисунком внутри периода, на рядах с нарушением периодичности, а так же на реальных рядах почасовой температуры в Москве.''
-
'''Аннотация'''
+
'''Публикация'''
-
В работе описывается метод гусеницы (SSA) и его применение для прогнозирования временных рядов. Алгоритм основан на выделении из изучаемого временного ряда некоторого набора его главных компонент и последующего построения прогноза по выбранному набору. Исследуется зависимость точности прогноза от выбора длины гусеницы и числа ее компонент. В вычислительном эксперименте приводятся результаты работы алгоритма на периодических рядах с разным рисунком внутри периода, на рядах с нарушением периодичности, а так же на реальных рядах почасовой температуры в Москве.
+
''Л.Н.Леонтьева'' Многомерная гусеница, выбор длины и числа компонент // ''Машинное обучение и анализ данных.'' — 2011. — № 1. — С. 2-10. — ISSN 2223-3792 (опубликовано).
-
''Ключевые слова'': прогнозирование, singular spectrum analysis, сингулярное разложение.
+
'''Осень 2011, 7-й семестр'''
-
'''Публикации'''
+
'''Выбор признаков в авторегрессионных задачах прогнозирования'''
-
 
+
''Исследуется проблема выбора модели оптимальной сложноcти при авторегрессионном прогнозировании. Задача состоит в отыскании наименне обусловленного набора признаков, доставляющего при этом заданное значение функции ошибки. Для выбора этого набора используется модифицированный алгоритм последовательного добавления и удаления признаков. В работе предложен метод поиска оптимальной модели прогнозирования временных рядов. В вычислительном эксперименте приведено сравнение прогнозов рядов почасовых цен на электроэнергию.''
-
''' ''Л.Н.Леонтьева'' Многомерная гусеница, выбор длины и числа компонент // Машинное обучение и анализ данных. — 2011. — № 1. — С. 2-10. — ISSN 2223-3792(опубликовано).'''
+
-
 
+
-
'''Название'''
+
-
 
+
-
Выбор моделей прогнозирования цен на электроэнергии
+
-
 
+
-
'''Аннотация'''
+
-
 
+
-
Исследуется проблема оптимальной сложности модели в связи с ее точностью и устойчивостью. Задача состоит в нахождении наиболее информативного набора признаков в условиях их высокой мультиколлинеарности. Для выбора оптимальной модели используется модифицированный алгоритм шаговой регрессии, являющийся одним из алгоритмов добавления и удаления признаков. В работе предложен метод поиска оптимальной модели прогнозирования цен на электроэнергию. В вычислительном эксперименте приведены результаты работы алгоритмов на временных рядах почасовых цен на электроэнергию.
+
-
 
+
-
''Ключевые слова'': отбор признаков, мультиколлинеарность, шаговая регрессия, метод Белсли, прогнозирование временных рядов.
+
'''Публикации'''
'''Публикации'''
-
''' ''Л.Н.Леонтьева'' Выбор моделей прогнозирования цен на электроэнергии // Машинное обучение и анализ данных. — 2011. — № 2. — С. 129-139. — ISSN 2223-3792(опубликовано).'''
+
''Л.Н.Леонтьева'' Выбор моделей прогнозирования цен на электроэнергии // ''Машинное обучение и анализ данных.'' — 2011. — № 2. — С. 129-139. — ISSN 2223-3792(опубликовано).
-
'''Название'''
+
''Л.Н.Сандуляну, В.В.Стрижов'' Выбор признаков в авторегрессионных задачах прогнозирования// ''Информационные технологии.'' — 2012. — № 6. — ISSN 1684-6400(принято в печать).
-
Выбор признаков в авторегрессионных задачах прогнозирования
+
'''Весна 2012, 8-й семестр'''
-
'''Аннотация'''
+
'''Последовательный выбор признаков при восстановлении регрессии'''
-
Исследуется проблема выбора модели оптимальной сложноcти при авторегрессионном прогнозировании. Задача состоит в отыскании наименне обусловленного набора признаков, доставляющего при этом заданное значение функции ошибки. Для выбора этого набора используется модифицированный алгоритм последовательного добавления и удаления признаков. В работе предложен метод поиска оптимальной модели прогнозирования временных рядов. В вычислительном эксперименте приведено сравнение прогнозов рядов почасовых цен на электроэнергию.
+
''Исследуется проблема оптимальной сложности модели в связи с ее точностью и устойчивостью. Задача состоит в нахождении наиболее информативного набора признаков в условиях их высокой мультиколлинеарности. Для выбора оптимальной модели используется модифицированный алгоритм шаговой регрессии, являющийся одним из алгоритмов добавления и удаления признаков. Для описания работы пошагового алгоритма предложена модель $n$-мерного куба. Проанализированы величины матожидания и дисперсии функции ошибки.''
-
 
+
-
''Ключевые слова'': отбор признаков, мультиколлинеарность, шаговая регрессия, метод Белсли, прогнозирование временных рядов.
+
-
 
+
-
'''Публикации'''
+
-
 
+
-
''' ''Л.Н.Сандуляну, В.В.Стрижов'' Выбор признаков в авторегрессионных задачах прогнозирования// Информационные технологии. — 2012. — № 6. — ISSN 1684-6400(принято в печать).'''
+
-
 
+
-
'''Название'''
+
-
 
+
-
Последовательный выбор признаков при восстановлении регрессии
+
-
 
+
-
'''Аннотация'''
+
-
 
+
-
Исследуется проблема оптимальной сложности модели в связи с ее точностью и устойчивостью. Задача состоит в нахождении наиболее информативного набора признаков в условиях их высокой мультиколлинеарности. Для выбора оптимальной модели используется модифицированный алгоритм шаговой регрессии, являющийся одним из алгоритмов добавления и удаления признаков. Для описания работы пошагового алгоритма предложена модель $n$-мерного куба. Проанализированы величины матожидания и дисперсии функции ошибки.
+
-
 
+
-
''Ключевые слова'': отбор признаков, мультиколлинеарность, шаговая регрессия, метод Белсли, прогнозирование временных рядов.
+
-
 
+
-
'''Публикации'''
+
-
''' ''Л.Н.Леонтьева'' Последовательный выбор признаков при восстановлении регрессии // Машинное обучение и анализ данных. — 2012. — № 3. — С. 63-74. — ISSN 2223-3792(опубликовано).'''
+
'''Публикация'''
-
'''ГРАНТЫ'''
+
''Л.Н.Леонтьева'' Последовательный выбор признаков при восстановлении регрессии // ''Машинное обучение и анализ данных.'' — 2012. — № 3. — С. 63-74. — ISSN 2223-3792(опубликовано).
 +
'''Грант'''
«Выбор признаков в авторегрессионных задачах прогнозирования», ПГАС
«Выбор признаков в авторегрессионных задачах прогнозирования», ПГАС

Версия 17:07, 29 мая 2012

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

liubov.sanduleanu@gmail.com

Отчет о научно-исследовательской работе

Весна 2011, 6-й семестр

Многомерная гусеница, выбор длины и числа компонент

В работе описывается метод гусеницы (SSA) и его применение для прогнозирования временных рядов. Алгоритм основан на выделении из изучаемого временного ряда некоторого набора его главных компонент и последующего построения прогноза по выбранному набору. Исследуется зависимость точности прогноза от выбора длины гусеницы и числа ее компонент. В вычислительном эксперименте приводятся результаты работы алгоритма на периодических рядах с разным рисунком внутри периода, на рядах с нарушением периодичности, а так же на реальных рядах почасовой температуры в Москве.

Публикация

Л.Н.Леонтьева Многомерная гусеница, выбор длины и числа компонент // Машинное обучение и анализ данных. — 2011. — № 1. — С. 2-10. — ISSN 2223-3792 (опубликовано).

Осень 2011, 7-й семестр

Выбор признаков в авторегрессионных задачах прогнозирования Исследуется проблема выбора модели оптимальной сложноcти при авторегрессионном прогнозировании. Задача состоит в отыскании наименне обусловленного набора признаков, доставляющего при этом заданное значение функции ошибки. Для выбора этого набора используется модифицированный алгоритм последовательного добавления и удаления признаков. В работе предложен метод поиска оптимальной модели прогнозирования временных рядов. В вычислительном эксперименте приведено сравнение прогнозов рядов почасовых цен на электроэнергию.

Публикации

Л.Н.Леонтьева Выбор моделей прогнозирования цен на электроэнергии // Машинное обучение и анализ данных. — 2011. — № 2. — С. 129-139. — ISSN 2223-3792(опубликовано).

Л.Н.Сандуляну, В.В.Стрижов Выбор признаков в авторегрессионных задачах прогнозирования// Информационные технологии. — 2012. — № 6. — ISSN 1684-6400(принято в печать).

Весна 2012, 8-й семестр

Последовательный выбор признаков при восстановлении регрессии

Исследуется проблема оптимальной сложности модели в связи с ее точностью и устойчивостью. Задача состоит в нахождении наиболее информативного набора признаков в условиях их высокой мультиколлинеарности. Для выбора оптимальной модели используется модифицированный алгоритм шаговой регрессии, являющийся одним из алгоритмов добавления и удаления признаков. Для описания работы пошагового алгоритма предложена модель $n$-мерного куба. Проанализированы величины матожидания и дисперсии функции ошибки.

Публикация

Л.Н.Леонтьева Последовательный выбор признаков при восстановлении регрессии // Машинное обучение и анализ данных. — 2012. — № 3. — С. 63-74. — ISSN 2223-3792(опубликовано).

Грант «Выбор признаков в авторегрессионных задачах прогнозирования», ПГАС

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%A3%D1%87%D0%B0%D1%81%D1%82%D0%BD%D0%B8%D0%BA:LyubovLeonteva»
Личные инструменты