Применение нечеткой классификации для гибридных линейных методов прогнозирования
https://doi.org/10.18255/1818-1015-2013-3-108-120
Аннотация
Статья посвящена проблеме прогнозирования для выборок с действительными признаками. Цель работы — оценить влияние порожденных бинарных признаков на точность прогнозирования линейной регрессии и гибридных линейных методов, основанных на кластеризации. Для этого исходный набор входных признаков выборки дополняется бинарными признаками, полученными из исходных посредством нечеткой классификации. Производится сравнительное тестирование рассматриваемых методов прогнозирования на исходной и полученной выборках. Результаты тестирования на трех различных базах данных показали, что для классической линейной регрессии использование порожденных признаков привело к существенному увеличению точности прогнозирования. Для линейной регрессии с кластеризацией методом k-means также наблюдалось увеличение точности прогноза, для линейной регрессии с кластеризацией методом knn — незначительное снижение, и неустойчивый результат — для двойной линейной регрессии.
Об авторах
Андрей Сергеевич Таскин
Сибирский федеральный университет
Россия
Россия
аспирант,
660041, г. Красноярск, пр. Свободный, 79
Евгений Моисеевич Миркес
Сибирский федеральный университет
Россия
Россия
д-р техн. наук, профессор,
660041, г. Красноярск, пр. Свободный, 79
Наталья Юрьевна Сиротинина
Сибирский федеральный университет
Россия
Россия
канд. техн. наук, доцент,
660041, г. Красноярск, пр. Свободный, 79
Список литературы
1. Haykin S. Neural Networks and Learning Machines. New York: Prentice Hall, 2009.
2. Левитин А.В. Алгоритмы: введение в разработку и анализ. М.: Вильямс, 2006. (Levitin A.V. Algoritmy: vvedenie v razrabotku i analiz. Moskva.: Vilyams, 2006 [in Russian].)
3. Motulsky H., Christopoulos A. Fitting models to biological data using linear and non-linear regression. A practical guide to curve fitting. Oxford: UniversityPress, 2004.
4. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Вильямс, 2007. (Draper N.R., Smith H. Applied regression analysis. New York: Wiley, 1998.)
5. Ицхоки О. Выбор модели и парадоксы прогнозирования // Квантиль. 2006. №1. C. 43–51. (English transl.: Itskhoki O. Model selection and paradoxes of prediction // Quantile. 2006. No. 1. P. 43–51.)
6. Tondel K., Indahl U., Gjuvsland A., Vik J. et al. Hierarchical Cluster-based Partial Least Squares Regression (HC-PLSR) is an efficient tool for metamodelling of nonlinear dynamic models // BMC Systems Biology, 2011. V. 5(90).
7. Camps-Valls G. et al. Cyclosporine concentration prediction using clustering and support vector regression methods // Electronic Letters. 2002. V. 38(12). P. 568–570.
8. Ari B., Guvenir H.A. Clustered linear regression // Knowledge-Based Systems. 2002. V. 15(3). P. 169–175.
9. Таскин А.С., Неволина С.С. Применение предварительной кластеризации при заполнении пробелов в таблицах данных // Сборник трудов VIII Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии», 2010. Ч. 1. С. 223–224. (Taskin A.S., Nevolina S.S. Primenenie predvaritelnoy klasterizatsii pri zapolnenii probelov v tablitsakh dannykh // Sbornik trudov VIII Vserossiyskoy nauchno-prakticheskoy konferentsii studentov, aspirantov i molodykh uchenykh «Molodezh i sovremennye informatsionnye tekhnologii», 2010. Part 1. P. 223–224 [in Russian].)
10. Таскин А.С., Миркес Е.М. Линейная регрессия с кластеризацией по признаку на данных с действительными величинами // Вестник СибГАУ. 2012. Вып. 3(43). С. 71–75. (Taskin A.S., Mirkes E.M. Lineynaya regressiya s klasterizatsiey po priznaku na dannykh s deystvitelnymi velichinami // Vestnik SibGAU. 2012. V. 3(43). P. 71–75 [in Russian].)
11. Gorban A.N., Zinovyev A.Y. Principal Graphs and Manifolds, Ch. 2 // Handbook of Research on Machine Learning Applications and Trends: Algorithms, Methods, and Techniques. IGI Global, Hershey, PA, USA, 2009.
12. Gan G., Ma C., Wu J. Data Clustering: Theory, Algorithms, and Applications. SIAM, Philadelphia, ASA, Alexandria, VA, 2007.
13. Abidin T., Perrizo W. SMART-TV: A Fast and Scalable Nearest Neighbor Based Classifier for Data Mining // Proceedings of ACM SAC-06, 2006. P. 536–540.
14. Zhang J., Mani I. kNN approach to unbalanced data distributions: A case study involving Information Extraction // Workshop on learning from imbalanced datasets II, ICML, 2003.
15. David Arthur, Sergei Vassilvitskii. k-means++: the advantages of careful seeding // Proceedings of the 18th Annual ACM-SIAM Symposium on Discrete Algorithms (SODA ’07), 2007. P. 1027–1035.
16. Орлов А.И. Прикладная статистика. М.: Экзамен, 2004. (Orlov A.I. Prikladnaya statistika. Moskva: Ekzamen, 2004 [in Russian].)
17. Abonyi J., Feil J. Cluster Analysis for Data Mining and System identification. Basel: Birkhauser, 2007.
18. Bilkent University. Function Approximation Repository [Электронный ресурс]. URL: http://funapp.cs.bilkent.edu.tr.
19. UCI Machine Learning Repository [Электронный ресурс]. URL: http://archive.ics.uci.edu/ml.
Рецензия
Для цитирования:
Таскин А.С., Миркес Е.М., Сиротинина Н.Ю. Применение нечеткой классификации для гибридных линейных методов прогнозирования. Моделирование и анализ информационных систем. 2013;20(3):108-120. https://doi.org/10.18255/1818-1015-2013-3-108-120
For citation:
Taskin A.S., Mirkes E.M., Sirotinina N.Y. Application of the Fuzzy Classification for Linear Hybrid Prediction Methods. Modeling and Analysis of Information Systems. 2013;20(3):108-120. (In Russ.) https://doi.org/10.18255/1818-1015-2013-3-108-120
Просмотров:
1061
Послать статью по эл. почте 