Моделі багатофакторного прогнозування
DOI:
https://doi.org/10.24144/2616-7700.2022.40(1).168-174Ключові слова:
багатофакторне прогнозування, дерева регресії, багатофакторний лінійний аналіз, прогнозування ВВПАнотація
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.
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
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Н. Е. Кондрук
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
