Моделі багатофакторного прогнозування

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2022.40(1).168-174

Ключові слова:

багатофакторне прогнозування, дерева регресії, багатофакторний лінійний аналіз, прогнозування ВВП

Анотація

Дане дослідження є розвитком напрямку прикладного аналізу даних. Він відіграє важливу роль у виявленні значущої інформації в наборах даних, яка допомагає приймати обґрунтовані рішення в різних сферах людської діяльності. Наведено інформаційні технології багатофакторного прогнозування, які базуються на моделях MLR та DR і є частиною класичного машинного навчання. Розроблена інформаційно-аналітична система на мові програмування Python та бібліотеки scikit-learn, що реалізує описаний підхід. В якості апробаційної моделі обрана актуальна задача прогнозування ВВП України за показниками: індекс інфляції, чисельність населення, офіційний курс долара, рівень безробіття у відсотках та міграційний приріст. Навчальна вибірка містила 16 спостережень. В ході експериментального дослідження кращою виявилось модель дерева регресії із показником коефіцієнту детермінації 99% та середньої абсолютної відсоткової похибки 6%. Дані індекси якості моделі вказують на її високу точність. Перспективні дослідження полягають у розвитку підходу прикладного аналізу даних для розв'язання різних видів прикладних задач.

Біографія автора

Н. Е. Кондрук, Ужгородський національний університет

Доцент кафедри кібернетики і прикладної математики. Кандидат технiчних наук

Посилання

Gogtay, N. J., Deshpande, S. P., & Thatte, U. M. (2017). Principles of regression analysis. Journal of the Association of Physicians of India, 65(48), 48–52.

Daoud, J. I. (2017, December). Multicollinearity and regression analysis. In Journal of Physics: Conference Series, 949(1), p. 012009. IOP Publishing. https://doi.org/10.1088/1742-6596/949/1/012009

Shrestha, N. (2020). Detecting multicollinearity in regression analysis. American Journal of Applied Mathematics and Statistics, 8(2), 39–42. https://doi.org/10.12691/ajams-8-2-1

Torgo, L. (2017). Regression Trees. In: Sammut C., Webb G. I. (eds) Encyclopedia of Machine Learning and Data Mining. Springer, Boston, MA. https://doi.org/10.1007/978-1-4899-7687-1_717

Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification And Regression Trees (1st ed.). Routledge. https://doi.org/10.1201/9781315139470

Ministry of Finance of Ukraine. Retrieved from https://minfin.com.ua/ua/

Ayyadevara, V. K. (2018). Linear regression. In Pro Machine Learning Algorithms, 17–47. Apress, Berkeley, CA. https://doi.org/10.1016/j.eswa.2017.04.003

Song, Y. Y., & Ying, L. U. (2015). Decision tree methods: applications for classification and prediction. Shanghai archives of psychiatry, 27(2), 130. https://doi.org/10.11919/j.issn.1002-0829.215044

State Statistics Service of Ukraine. Retrieved from http://www.ukrstat.gov.ua/

Kondruk, N. E. (2021). Use of similarity measures in classification methods. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 1(38), 85–91. https://doi.org/10.24144/2616-7700.2021.38(1).143-148

Kondruk, N. E. (2018). Use of length-based similarity measure in clustering problems. Radio Electronics. Computer Science. Control, 3(46), 98–105. https://doi.org/10.15588/1607-3274-2018-3-11

Kondruk, N. E., & Malyar, M. M. (2021). Analysis of Cluster Structures by Different Similarity Measures. Cybern Syst Anal, 57, 436–441. https://doi.org/10.1007/s10559-021-00368-4

Kondruk, N., & Malyar, M. (2021). Dimensionality Reduction of the Criterion Space in Some Optimization Problems, 112–121. http://ceur-ws.org/Vol-3018/Paper_11.pdf

##submission.downloads##

Опубліковано

2022-05-12

Як цитувати

Кондрук, Н. Е. (2022). Моделі багатофакторного прогнозування. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 40(1), 168–174. https://doi.org/10.24144/2616-7700.2022.40(1).168-174

Номер

Розділ

Iнформатика, комп’ютернi науки та прикладна математика