Участник:Oleg Bakhteev

Материал из MachineLearning.

Перейти к: навигация, поиск

Бахтеев Олег Юрьевич
МФТИ, ФУПМ
Кафедра «Интеллектуальные системы»
Направление «Интеллектуальный анализ данных»
bakhteev@phystech.edu


Весна 2014, 8 семестр

Восстановление панельной матрицы и ранжирующей модели по метризованной выборке в разнородных шкалах
Работа посвящена восстановлению ежегодных изменений рейтингов студентов при собеседовании в учебный центр. Рассматривается выборка, состоящая з экспертных оценок студентов, проходивших собеседование в учебный центр в течение нескольких лет и итоговых рейтингов студентов. Шкалы экспертных оценок меняются из года в год, но шкала рейтингов остается неизменной. Требуется восстановить ранжирующую модель, не зависящую от времени. Задача сводится к восстановлению панельной матрицы (то есть матрицы объект–признак–год), ставящей во взаимное соответствие некоторого студента (или усредненный “портрет” студента) и его предполагаемую оценку на собеседованиях за каждый год, и исследованию ранжирующей модели, полученной на основе этой матрицы, а так же анализу ее устойчивости на протяжении нескольких лет. Предлагается метод восстановления панельной матрицы, основанный на решении многомерной задачи о назначениях. В качестве метода восстановления ранжирующей модели используется алгоритм многоклассовой классификации с отношением полного порядка на классах и алгоритм ранжирования, основанный на методе опорных векторов.
Публикация
Bakhteev O.Y., Strijov V.V. Panel matrix and ranking model recovery using mixed-scale measured data // Central European Journal of Operations Research (CEJOR) (подано). PDF

Доклад на конференции
57-ая конференция МФТИ: доклад "Восстановление панельной матрицы и ранжирующей модели в разнородных шкалах"


Осень 2014, 9 семестр

Восстановление пропущенных значений по метризованной выборке в разнородных шкалах
В работе рассматривается проблема заполнения большого количества пропусков в выборке в задачах анализа данных. Основной трудностью, связанной с заполнением пропусков, является неустойчивость полученной модели при уточнении части пропущенных данных. В работе изучается подход, основанный на заполнении данных методом ближайшего соседа, производится оценка точности заполнения пропусков в условиях равномерной непрерывности заполняющих функций.


Публикация
Бахтеев О.Ю., Стрижов В.В. Восстановление пропущенных значений по метризованной выборке в разнородных шкалах (готовится к подаче). PDF


Согласование экспертных оценок с большим количеством пропущенных значений
Рассматривается задача согласования экспертных оценок в условиях, когда каждый эксперт дает оценки по небольшой доле оцениваемых объектов. Для каждого эксперта задан частичный порядок на множестве признаковой значимости. Также предполагается, что для каждого эксперта задана значимость его оценок в итоговом согласованном решении. Проводится обзор существующих решений. Предлагается метод решения рассматриваемой задачи, основанный на методе Парето-расслоения.

Публикация
Бахтеев О.Ю., Стрижов В.В. Согласование экспертных оценок с большим количеством пропущенных значений (готовится к подаче). PDF

Личные инструменты