Участник:Katrutsa
Материал из MachineLearning.
(→Весна 2014, 8-й семестр) |
(→Весна 2014, 8-й семестр) |
||
| Строка 39: | Строка 39: | ||
=== Весна 2014, 8-й семестр === | === Весна 2014, 8-й семестр === | ||
| + | |||
| + | '''Проблема мультиколлинеарности при выборе признаков в регрессионных задачах''' | ||
В данной работе исследуется проблема мультиколлинеарности и её влияние на эффективность методов выбора признаков. Предлагается процедура тестирования методов выбора признаков и методика порождения тестовых выборок с различными типами мультиколлинеарности между признаками. Рассматриваемые методы выбора признаков тестируются на порождённых выборках. Процедура тестирования заключается в применении методов выбора признаков к выборкам с различным типом мультиколлинеарности и оценивании количества мультиколлинеарных признаков в множестве отобранных признаков. В работе приводится критерий сравнения методов выбора признаков, на котором основана процедура их тестирования. Также методы выбора признаков сравниваются согласно различным функционалам качества. Проведено сравнение методов выбора признаков в случае наличия в данных определённого типа мультиколлинеарности, и сделан вывод о качестве работы рассматриваемых методов на определённых типах данных. | В данной работе исследуется проблема мультиколлинеарности и её влияние на эффективность методов выбора признаков. Предлагается процедура тестирования методов выбора признаков и методика порождения тестовых выборок с различными типами мультиколлинеарности между признаками. Рассматриваемые методы выбора признаков тестируются на порождённых выборках. Процедура тестирования заключается в применении методов выбора признаков к выборкам с различным типом мультиколлинеарности и оценивании количества мультиколлинеарных признаков в множестве отобранных признаков. В работе приводится критерий сравнения методов выбора признаков, на котором основана процедура их тестирования. Также методы выбора признаков сравниваются согласно различным функционалам качества. Проведено сравнение методов выбора признаков в случае наличия в данных определённого типа мультиколлинеарности, и сделан вывод о качестве работы рассматриваемых методов на определённых типах данных. | ||
Версия 19:49, 23 августа 2014
Катруца Александр Михайлович
МФТИ, ФУПМ, группа 074
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
amkatrutsa@yandex.ru
Содержание |
Отчеты о научно-исследовательской работе
Весна 2013, 6-й семестр
Публикация
A. M. Katrutsa, M. P. Kuznetsov, V. V. Strijov, K. V. Rudakov Metric concentration search procedure using reduced matrix of pairwise distances // Intelligent Data Analysis. – 2015. – Vol. 19(5).
This paper presents a new fast clustering algorithm RhoNet, based on the metric concenration location procedure. To locate the metric concentration, the algorithm uses a reduced matrix of pairwise ranks distances. The key feature of the proposed algorithm is that it doesn’t need the exhaustive matrix of pairwise distances. This feature reduces computational complexity. It is designed to solve the protein secondary structure recognition problem. The computational experiment collects tests and to hold performance analysis and analysis of dependency for the algorithm quality and structure parameters. The algorithm is compared with k-modes and tested on different metrics and data sets.
Осень 2013, 7-й семестр
Ранжирование поисковой выдачи.
Требуется по данному множеству запросов и документов отранжировать документы, соответствующие одному запросу по степени релевантности. Обучающая выборка состоит из признакового описания документов, идентификатора запроса и оценки ассесора. Предлгается использовать логистическую регрессию и отбор признаков для нахождения оценок релевантности.
Публикация
А. М. Катруца Ранжирование поисковой выдачи: технический отчет // Вычислительный сервер журнала "Машинное обучение и анализ данных" [Электронный ресурс] URL: mvr.jmlda.org (дата обращения: 26.12.2013).
Выбор признаков в линейных регрессионных моделей при наличии мультиколлинеарных признаков
Рассматривается задача тестирования алгоритмов выбора признаков. Предлагается способ тестирования методов выбора признаков на синтетических данных. Алгоритмы выбора признаков сравниваются по эффективности выявления и устранения мультиколлинеарных признаков. При этом эффективность определяется различными функционалами качества. Проведена классификация видов мультиколлинеарности и взаимного расположения признаков. Будет сделан вывод об эффективности работы алгоритмов выбора признаков на данных, в которых присутствует определённый тип мультиколлинеарности или определённое взаимное расположение признаков.
Доклад на конференции
56-ая конференция МФТИ: доклад "Алгоритм нахождения метрических сгущений с использованием редуцированной матрицы парных расстояний"
Весна 2014, 8-й семестр
Проблема мультиколлинеарности при выборе признаков в регрессионных задачах
В данной работе исследуется проблема мультиколлинеарности и её влияние на эффективность методов выбора признаков. Предлагается процедура тестирования методов выбора признаков и методика порождения тестовых выборок с различными типами мультиколлинеарности между признаками. Рассматриваемые методы выбора признаков тестируются на порождённых выборках. Процедура тестирования заключается в применении методов выбора признаков к выборкам с различным типом мультиколлинеарности и оценивании количества мультиколлинеарных признаков в множестве отобранных признаков. В работе приводится критерий сравнения методов выбора признаков, на котором основана процедура их тестирования. Также методы выбора признаков сравниваются согласно различным функционалам качества. Проведено сравнение методов выбора признаков в случае наличия в данных определённого типа мультиколлинеарности, и сделан вывод о качестве работы рассматриваемых методов на определённых типах данных.
Публикация
А. М. Катруца, В. В. Стрижов. Проблема мультиколлинеарности при выборе признаков в регрессионных задачах. // Информационные технологии. – 2014 (подано в редакцию).
Доклад на конференции
A. Katrutsa Multicollinearity: perfomance analysis of feature selection algorithms. // 20st Conference of the International Federation of Operational Research Societies, July 13 – 18, 2014, Barcelona, Spain.
