Поиск :
Личный кабинет :
Электронный каталог: Снижение размерности многомерных данных методом мультиколлинеарной группировки признаков
Снижение размерности многомерных данных методом мультиколлинеарной группировки признаков
Статья
Автор:
Транспорт: наука, техника, управление: Снижение размерности многомерных данных методом мультиколлинеарной группировки признаков
Multicollinear grouping features method for dimensionality reduction of multidimensional data
б.г.
ISBN отсутствует
Автор:
Транспорт: наука, техника, управление: Снижение размерности многомерных данных методом мультиколлинеарной группировки признаков
Multicollinear grouping features method for dimensionality reduction of multidimensional data
б.г.
ISBN отсутствует
На полку
Статья
Снижение размерности многомерных данных методом мультиколлинеарной группировки признаков = Multicollinear grouping features method for dimensionality reduction of multidimensional data / О. Н. Ларин, С. В. Малинский, Д. В. Капский, А. В. Боков. – DOI 10.36535/0236-1914-2025-09-8 // Транспорт: наука, техника, управление. – 2025. – № 9. – С. 42-51. - Номера журнала нет в фонде библиотеки.
В статье представлено описание нового метода мультиколлинеарной группировки признаков для снижения размерности многомерных данных в задачах машинного обучения. Большая размерность данных часто является причиной переобучения моделей. Снижение размерности данных может осуществляться посредством их группировки, в том числе, с установлением иерархических связей между признаками. Группировка признаков применяется для разделения совокупности измеряемых параметров на однородные группы таким образом, чтобы отдельные параметры из каждой группы наиболее полно характеризовали особенности изменения определенного свойства исследуемого объекта. Разработанный метод имеет два варианта реализации в виде алгоритмов иерархической и бинарной группировок. Алгоритм иерархической группировки позволяет сгруппировать признаки и установить их взаимную взаимосвязанность внутри каждой группы, что необходимо для дальнейшего отбора отдельных наиболее информативных признаков из группы. Алгоритм бинарной группировки позволяет сформировать такие же группы без формирования внутригрупповой иерархии признаков. В начале интеллектуального анализа данных для предварительной группировки признаков может применяться бинарный алгоритм. При наличии групп с несколькими признаками используется иерархический алгоритм для оценки взаимосвязанности признаков внутри отдельных групп. Разработанный метод обеспечивает более точную группировку признаков по сравнению с аналогичными методами. Авторы охарактеризовали причины таких различий в результатах. Выявленные эффекты требуют дальнейшего исследования.
004.62
общий = БД Труды научных работников БНТУ : 2025г.
труды сотрудников БНТУ = Научно-исследовательский политехнический институт (НИПИ) : НИЦ дорожного движения
труды сотрудников БНТУ = Автоматика. Вычислительная техника (труды)
общий = РАЗМЕРНОСТЬ
общий = КОРРЕЛЯЦИЯ
общий = МУЛЬТИКОЛЛИНЕАРНОСТЬ
труды сотрудников БНТУ = Совместные публикации (труды) : Российская Федерация : Российский экономический университет им. Г.В. Плеханова (Москва)
Снижение размерности многомерных данных методом мультиколлинеарной группировки признаков = Multicollinear grouping features method for dimensionality reduction of multidimensional data / О. Н. Ларин, С. В. Малинский, Д. В. Капский, А. В. Боков. – DOI 10.36535/0236-1914-2025-09-8 // Транспорт: наука, техника, управление. – 2025. – № 9. – С. 42-51. - Номера журнала нет в фонде библиотеки.
В статье представлено описание нового метода мультиколлинеарной группировки признаков для снижения размерности многомерных данных в задачах машинного обучения. Большая размерность данных часто является причиной переобучения моделей. Снижение размерности данных может осуществляться посредством их группировки, в том числе, с установлением иерархических связей между признаками. Группировка признаков применяется для разделения совокупности измеряемых параметров на однородные группы таким образом, чтобы отдельные параметры из каждой группы наиболее полно характеризовали особенности изменения определенного свойства исследуемого объекта. Разработанный метод имеет два варианта реализации в виде алгоритмов иерархической и бинарной группировок. Алгоритм иерархической группировки позволяет сгруппировать признаки и установить их взаимную взаимосвязанность внутри каждой группы, что необходимо для дальнейшего отбора отдельных наиболее информативных признаков из группы. Алгоритм бинарной группировки позволяет сформировать такие же группы без формирования внутригрупповой иерархии признаков. В начале интеллектуального анализа данных для предварительной группировки признаков может применяться бинарный алгоритм. При наличии групп с несколькими признаками используется иерархический алгоритм для оценки взаимосвязанности признаков внутри отдельных групп. Разработанный метод обеспечивает более точную группировку признаков по сравнению с аналогичными методами. Авторы охарактеризовали причины таких различий в результатах. Выявленные эффекты требуют дальнейшего исследования.
004.62
общий = БД Труды научных работников БНТУ : 2025г.
труды сотрудников БНТУ = Научно-исследовательский политехнический институт (НИПИ) : НИЦ дорожного движения
труды сотрудников БНТУ = Автоматика. Вычислительная техника (труды)
общий = РАЗМЕРНОСТЬ
общий = КОРРЕЛЯЦИЯ
общий = МУЛЬТИКОЛЛИНЕАРНОСТЬ
труды сотрудников БНТУ = Совместные публикации (труды) : Российская Федерация : Российский экономический университет им. Г.В. Плеханова (Москва)
