Участник:Anastasiya
Материал из MachineLearning.
(→Осень 2012, 9-й семестр) |
(→Весна 2012, 8-й семестр) |
||
Строка 76: | Строка 76: | ||
}} | }} | ||
- | *{{ | + | *{{Inproceedings |
|автор = Motrenko A. | |автор = Motrenko A. | ||
|автор2 = Strijov V. | |автор2 = Strijov V. | ||
|автор3 = Weber G.-W. | |автор3 = Weber G.-W. | ||
|название = Bayesian sample size estimation for logistic regression | |название = Bayesian sample size estimation for logistic regression | ||
- | |журнал = | + | |журнал = International Conference on Applied and Computational Mathematics |
- | | | + | |год = 2012 |
|язык = english | |язык = english | ||
Версия 14:37, 14 февраля 2013
МФТИ, ФУПМ
Кафедра "Интеллектуальные системы"
Направление "Интеллектуальный анализ данных"
email: anastasia.motrenko@gmail.com
Отчет о научно-исследовательской работе
Весна 2011, 6-й семестр
Использование теста Грейнджера при прогнозировании временных рядов
При прогнозировании ряда бывает полезно определить, является ли данный ряд "зависимым" от некоторого другого ряда. Выявить подобную связь помогает тест Грейнджера, основанный на статистических тестах(при этом метод не гарантирует точного результата - при сравнении двух рядов, зависящих от еще одного ряда возможна ошибка). Метод применяется при прогнозировании экономических явлений и явлений природного характера (например, землятрясений). Цель работы - предложить алгоритм, наилучшим образом использующий данный метод; исследовать эффективность метода в зависимости от прогнозируемых рядов.
Публикация
- Мотренко А.П. Использование теста Грейнджера при прогнозировании временных рядов // Машинное обучение и анализ данных. — 2011. — № 1. — С. 51-60. — ISSN 2223-3792.
Осень 2011, 7-й семестр
Многоклассовый прогноз вероятности наступления инфаркта
В работе описан алгоритм, позволяющий классифицировать четыре группы пациентов: перенесших инфаркт; больных, имеющих предрасположенность к инфаркту и здоровых пациентов двух групп. Признаками для определения состояния пациента служат измерения концентрации белков в крови. Одной из задач работы является выбор набора маркеров, оптимального для разделения между собой соответствующих групп. Классификация осуществляется по принципу «каждый против каждого», то есть решаются задачи классификации всевозможных пар групп. В силу высокой стоимости анализа крови, объемы данных невелики, поэтому одним из результатов исследования является оценка необходимого объема выборки пациентов.
Публикация
- Мотренко А.П. Многоклассовый прогноз вероятности наступления инфаркта // Машинное обучение и анализ данных. — 2011. — № 2. — С. 225-235. — ISSN 2223-3792.
Весна 2012, 8-й семестр
Оценка необходимого объема выборки пациентов при прогнозировании сердечно-сосудистых заболеваний
В работе описан алгоритм классификации пациентов, перенесших инфаркт и имеющих предрасположенность к инфаркту. Признаками для определения состояния пациента служат измерения концентрации белков в крови. Решается задача оценки параметров функции регрессии и выбора признаков в логистической регрессии. Предполагается, что объем данных недостаточен, поэтому в работе предлагается способ оценки необходимого объема выборки.
Публикации
- Мотренко А.П. Оценка необходимого объема выборки пациентов при прогнозировании сердечно-сосудистых заболеваний // Машинное обучение и анализ данных. — 2012. — № 3. — С. 354-366. — ISSN 2223-3792.
- Мотренко А.П., Стрижов В.В. Многоклассовая логистическая регрессия // Известия ТулГУ. — 2012. — С. 153-162. — ISSN 2071-6176.
- Шаблон:Inproceedings
Доклад на научной конференции
- Мотренко А.П. Многоклассовый прогноз вероятности наступления инфаркта // XIX Международная конференция студентов, аспирантов и молодых ученых «Ломоносов», апрель. — 2012.
- Мотренко А.П. Multiclass classification of cardio-vascular disease patients with sample size estimation // XXV EURO conference, июль. — 2012.
Гранты
- «Многоклассовая логистическая регрессия», ПГАС
Осень 2012, 9-й семестр
Оценка плотности совместного распределения
В задачах классификации часто возникает ситуация, когда часть переменных распределена непрерывно, а часть~--- дискретно. Например, в логистической регрессии признаки непрерывны, а переменная отклика подчиняется распределению Бернулли. В работе описан способ оценки плотности совместного неоднородного распределения, включающего дискретные и непрерывные величины. Рассмотрен случай, когда вероятностные предположения о распределении случайных величин сделать не удается. В этом случае применяются методы ядерного сглаживания. В работе также приводится их сравнение с классическими методами теории вероятностей. Эксперимент проводится на реальных и синтетических данных.
Публикации
- Мотренко А.П. Оценка плотности совместного распределения // Машинное обучение и анализ данных. — 2013. — № 4. — С. 428-435. — ISSN 2223-3792.
Доклад на научной конференции
- Мотренко А.П. Многоклассовый мультимодельный прогноз вероятности наступления инфаркта // 55-я научная конференция МФТИ. — 2012.
- Мотренко А.П. Multiclass classification of cardio-vascular disease patients with sample size estimation // XXV EURO conference, июль. — 2012.
Гранты
- «Многоклассовая логистическая регрессия», ПГАС
- РФФИ 12-07-31095
Категории: Мотренко А.П. (публикации) | 2011 (публикации) | Машинное обучение и анализ данных (статьи) | 2012 (публикации) | Стрижов В.В. (публикации) | Известия ТулГУ (статьи) | XIX Международная конференция студентов, аспирантов и молодых ученых «Ломоносов», апрель (статьи) | XXV EURO conference, июль (статьи) | 2013 (публикации) | 55-я научная конференция МФТИ (статьи)