Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід
DOI:
https://doi.org/10.32626/2308-5916.2023-24.35-44Анотація
Інтелектуальний аналіз табличних наборів даних у галузі біомедичної інженерії являється складним завданням. Це пояснюється як багатовимірними наборами даних і складними взаємозв’язками між компонентами набору так і висока ціна помилки у прогнозуванні. Задача стає складнішою у випадку обмеженості даних для навчання, що часто виникає у цій галузі. Це пов’язано з величезними часовими, матеріальними чи людськими ресурсами, необхідними для збору достатньої кількості даних для реалізації процедур навчання класичним інструментарієм машинного навчання. У цій статті представлено новий підхід до розв’язання цієї задачі. Автором розроблено новий ансамблевий метод уточнення параметрів моделі регресії (прямий підхід) із можливістю циклічного підвищення точності інтелектуального аналізу коротких наборів даних. В основі методу покладено використання формули раціонального дробу та двох алгоритмів машинного навчання для її параметричної ідентифікації. Моделювання роботи методу на реальному короткому наборі даних з галузі біомедичної інженерії продемонстрував високу точність роботи розробленого методу. Зокрема, автору вдалося підвищити точність прогнозу нейронної мережі узагальненої регресії на більші ніж 14% (на основі коефіцієнту детермінації. Саме тому, розроблений метод можна використовувати для розв’язання різноманітних прикладних задач біомедичної інженерії у випадку необхідності аналізу даних малих обсягів
Посилання
Perova I., Bodyanskiy Y. Adaptive human machine interaction approach for feature selection-extraction task in medical data mining. IJC. 2018. P. 113-119. DOI: 10.47839/ijc.17.2.997.
Krak I., Kuznetsov V., Kondratiuk S. and other. Analysis of Deep Learning Methods in Adaptation to the Small Data Problem Solving. Lecture Notes in Da-ta Engineering, Computational Intelligence, and Decision Making. Cham: Springer International Publishing, 2023. Vol. 149. P. 333-352. DOI: 10.1007/978-3-031-16203-9_20.
Dolgikh S. Modeling of Small Data with Unsupervised Generative Ensemble Learning. CEUR-WS.org. 2022. Vol. 3302. P. 35-43.
Shaikhina T., Khovanova N. A. Handling limited datasets with neural networks in medical applications: A small-data approach. Artificial Intelligence in Medi-cine. 2017. Vol. 75. P. 51-63. DOI: 10.1016/j.artmed.2016.12.003.
Holub A. P., Lysenko L. O. Апроксиманти типу Паде деяких класів функцій кількох змінних. 2017. Vol. 69. № 5.
Pelekh Y., Kunynets A., Beregova H., Magerovska T. Methods for solving the initial value problem with a two-sided estimate of the local error. Fìz.-mat. mod-el. ìnf. tehnol. 2021. № 33. P. 88-92. DOI: 10.15407/fmmit2021.33.088.
Вітинський П. В., Ткаченко Р. О., Ізонін І. В. Ансамбль мереж GRNN для розв’язання задач регресії з підвищеною точністю. Науковий вісник НЛТУ України. 2019. Vol. 29. № 8. DOI: 10.36930/40290822.
Duda P., Jaworski M., Rutkowski L. Online GRNN-Based Ensembles for Re-gression on Evolving Data Streams. Advances in Neural Networks – ISNN 2018. Cham: Springer International Publishing, 2018. P. 221-228. DOI: 10.1007/978-3-319-92537-0_26.
Medykovskvi M., Pavliuk O., Sydorenko R. Use of Machine Learning Tech-nologys for the Electric Consumption Forecast. 2018 IEEE 13th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT). 2018. P. 432-435. DOI: 10.1109/STC-CSIT.2018.8526617.
Izonin I., Tkachenko R., Shcherbii O. and other. An Approximation Cascade Scheme via Rational Fractions for Biomedical Data Analysis. 2023 IEEE 18th International Conference on Computer Science and Information Technologies (CSIT). Lviv: IEEE, 2023. P. 1-4. DOI: 10.1109/CSIT61576.2023.10324122.
Izonin I., Tkachenko R., Holoven R. and other. SGD-Based Cascade Scheme for Higher Degrees Wiener Polynomial Approximation of Large Biomedical Datasets. MAKE. 2022. Vol. 4. № 4. P. 1088-1106. DOI: 10.3390/make4040055.
Ivakhnenko A. G. Development of models of optimal complexity using self-organization theory. International Journal of Computer and Information Scienc-es. 1979. Vol. 8. № 2. P. 111-127. DOI: 10.1007/BF00989666.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Authors who publish with this journal agree to the following terms:- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
