Матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади
In this article, examples of prediction of biological indicators are considered. In this case, the classical methods of biometrics and methods based on matrix multiple regression are used. In order to solve the problem of estimation by the method of least squares for multiple matrix regression, a ma...
Збережено в:
| Дата: | 2021 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2021
|
| Теми: | |
| Онлайн доступ: | http://journal.iasa.kpi.ua/article/view/252177 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | System research and information technologies |
Репозитарії
System research and information technologies| _version_ | 1856543541836120064 |
|---|---|
| author | Nazaraha, Inna Nazaraha, Yaroslav |
| author_facet | Nazaraha, Inna Nazaraha, Yaroslav |
| author_sort | Nazaraha, Inna |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2022-06-20T14:19:48Z |
| description | In this article, examples of prediction of biological indicators are considered. In this case, the classical methods of biometrics and methods based on matrix multiple regression are used. In order to solve the problem of estimation by the method of least squares for multiple matrix regression, a mathematical apparatus for the singular value decomposition (SVD) and pseudo-inversion technique for Moore–Penrose was used within the development of the concept of tuple operators. The empirical data for calculations were data from an experiment conducted at the Educational and Scientific Center “Institute of Biology and Medicine” (Taras Shevchenko National University of Kyiv). The calculations were made in Microsoft Office Excel and Wolfram Mathematica. The algorithm based on matrix multiple regression has the prediction accuracy in terms of the APE (absolute percentage error) criterion (the error is from 0% to 10%) higher than the accuracy of modern methods of biometrics (some errors are greater than 30%). As shown in the examples, matrix multiple regression can be an effective prediction instrument in biology with an acceptable planning processes accuracy. |
| first_indexed | 2025-07-17T10:27:44Z |
| format | Article |
| id | journaliasakpiua-article-252177 |
| institution | System research and information technologies |
| language | Ukrainian |
| last_indexed | 2025-07-17T10:27:44Z |
| publishDate | 2021 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| spelling | journaliasakpiua-article-2521772022-06-20T14:19:48Z Matrix multiple regression and modern biometric methods for prediction of biological indicators: examples Матричная множественная регрессия и современные методы биометрии для прогнозирования биологических показателей: примеры Матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади Nazaraha, Inna Nazaraha, Yaroslav matrix multiple regression methods of biometrics biological indicators prediction singular-value decomposition матрична множинна регресія методи біометрії біологічні показники прогнозування сингулярний розклад матричная множественная регрессия методы биометрии биологические показатели прогнозирование сингулярное разложение In this article, examples of prediction of biological indicators are considered. In this case, the classical methods of biometrics and methods based on matrix multiple regression are used. In order to solve the problem of estimation by the method of least squares for multiple matrix regression, a mathematical apparatus for the singular value decomposition (SVD) and pseudo-inversion technique for Moore–Penrose was used within the development of the concept of tuple operators. The empirical data for calculations were data from an experiment conducted at the Educational and Scientific Center “Institute of Biology and Medicine” (Taras Shevchenko National University of Kyiv). The calculations were made in Microsoft Office Excel and Wolfram Mathematica. The algorithm based on matrix multiple regression has the prediction accuracy in terms of the APE (absolute percentage error) criterion (the error is from 0% to 10%) higher than the accuracy of modern methods of biometrics (some errors are greater than 30%). As shown in the examples, matrix multiple regression can be an effective prediction instrument in biology with an acceptable planning processes accuracy. Рассмотрены примеры прогнозирования биологических показателей с применением современных методов биометрии и методов на основе матричной множественной регрессии. С целью решения задач оценивания методом наименьших квадратов для множественной матричной регрессии использованы математический аппарат сингулярного разложения и техника псевдообращения по Муру–Пенроузу в пределах развития концепции кортежных операторов. Эмпирическими данными для расчетов стали данные эксперимента, проведенного в учебно-научном центре «Институт биологии и медицины» (Киевский национальный университет имени Тараса Шевченко). Расчеты выполнены в Microsoft Office Excel и Wolfram Mathematica, проанализированы результаты. Точность прогнозирования по критерию APE (абсолютный процент ошибки) согласно алгоритму, основанном на матричной множественной регрессии (погрешность от 0% до 10%), выше, чем для современных методов биометрии (некоторые погрешности превышают 30%). Показано, что матричная множественная регрессия может быть эффективным инструментом прогнозирования в биологии с приемлемой для этого точностью. Розглянуто приклади прогнозування біологічних показників із застосуванням сучасних методів біометрії та методів на основі матричної множинної регресії. З метою розв’язання задачі оцінювання методом найменших квадратів для множинної матричної регресії використано розроблений математичний апарат сингулярного розкладу і техніку псевдообернення за Муром–Пенроузом у межах розвитку концепції кортежних операторів. Емпіричними даними для розрахунків стали дані експерименту, проведеного в навчально-науковому центрі «Інститут біології та медицини» Київського національного університету імені Тараса Шевченка. Розрахунки виконано у Microsoft Office Excel та в середовищі Wolfram Mathematica, проаналізовано результати за різними варіантами. Точність прогнозування за критерієм APE (абсолютний відсоток похибки) згідно з алгоритмом на основі матричної множинної регресії (похибка від 0% до 10%) вища, ніж для сучасних методів біометрії (деякі похибки перевищують 30%). Показано, що матрична множинна регресія може бути ефективним інструментом прогнозування в біології з прийнятною для цього точністю. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2021-12-22 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/252177 10.20535/SRIT.2308-8893.2021.4.06 System research and information technologies; No. 4 (2021); 81-90 Системные исследования и информационные технологии; № 4 (2021); 81-90 Системні дослідження та інформаційні технології; № 4 (2021); 81-90 2308-8893 1681-6048 uk http://journal.iasa.kpi.ua/article/view/252177/249510 |
| spellingShingle | матрична множинна регресія методи біометрії біологічні показники прогнозування сингулярний розклад Nazaraha, Inna Nazaraha, Yaroslav Матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади |
| title | Матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади |
| title_alt | Matrix multiple regression and modern biometric methods for prediction of biological indicators: examples Матричная множественная регрессия и современные методы биометрии для прогнозирования биологических показателей: примеры |
| title_full | Матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади |
| title_fullStr | Матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади |
| title_full_unstemmed | Матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади |
| title_short | Матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади |
| title_sort | матрична множинна регресія та сучасні методи бiометрiї для прогнозування бiологiчних показникiв: приклади |
| topic | матрична множинна регресія методи біометрії біологічні показники прогнозування сингулярний розклад |
| topic_facet | matrix multiple regression methods of biometrics biological indicators prediction singular-value decomposition матрична множинна регресія методи біометрії біологічні показники прогнозування сингулярний розклад матричная множественная регрессия методы биометрии биологические показатели прогнозирование сингулярное разложение |
| url | http://journal.iasa.kpi.ua/article/view/252177 |
| work_keys_str_mv | AT nazarahainna matrixmultipleregressionandmodernbiometricmethodsforpredictionofbiologicalindicatorsexamples AT nazarahayaroslav matrixmultipleregressionandmodernbiometricmethodsforpredictionofbiologicalindicatorsexamples AT nazarahainna matričnaâmnožestvennaâregressiâisovremennyemetodybiometriidlâprognozirovaniâbiologičeskihpokazatelejprimery AT nazarahayaroslav matričnaâmnožestvennaâregressiâisovremennyemetodybiometriidlâprognozirovaniâbiologičeskihpokazatelejprimery AT nazarahainna matričnamnožinnaregresíâtasučasnímetodibiometriídlâprognozuvannâbiologičnihpokaznikivprikladi AT nazarahayaroslav matričnamnožinnaregresíâtasučasnímetodibiometriídlâprognozuvannâbiologičnihpokaznikivprikladi |