Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід
Intelligence analysis of tabular datasets in the field of biomedical engineering is a complex task. This is explained both by the multidimensional datasets and the complex relationships between the components of the set, and by the high price of the error in the prediction. The task becomes more dif...
Збережено в:
| Дата: | 2023 |
|---|---|
| Автор: | |
| Формат: | Стаття |
| Мова: | English |
| Опубліковано: |
Kamianets-Podilskyi National Ivan Ohiienko University
2023
|
| Онлайн доступ: | http://mcm-tech.kpnu.edu.ua/article/view/294168 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Mathematical and computer modelling. Series: Technical sciences |
Репозиторії
Mathematical and computer modelling. Series: Technical sciences| id |
mcmtechkpnueduua-article-294168 |
|---|---|
| record_format |
ojs |
| spelling |
mcmtechkpnueduua-article-2941682023-12-22T09:45:03Z An Ensemble Method for the Regression Model Parameter Adjustments: Direct Approach Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід Ізонін, Іван Intelligence analysis of tabular datasets in the field of biomedical engineering is a complex task. This is explained both by the multidimensional datasets and the complex relationships between the components of the set, and by the high price of the error in the prediction. The task becomes more difficult in the case of limited data for training, which often occurs in this field. This is due to the enormous time, material, or human resources required to collect enough data to implement training procedures with classical machine learning tools. This paper presents a new approach to solving this task. The author has developed a new ensemble method for the regression model parameters adjustments (direct approach) with the possibility of cyclically increasing the accuracy of intellectual analysis of short datasets. The basis of the method is the use of the rational fraction and two machine learning algorithms for its parametric identification. Modeling of the method's efficiency on a real-world short set of data from the field of biomedical engineering demonstrated the high accuracy of the developed method's operation. In particular, the prediction accuracy of the General Regression Neural Network was increased by more than 14% (based on the coefficient of determination. That is why the developed method can be used to solve various applied biomedical engineering tasks in the case of the need to analyze small amounts of data 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 Kamianets-Podilskyi National Ivan Ohiienko University 2023-11-19 Article Article application/pdf http://mcm-tech.kpnu.edu.ua/article/view/294168 10.32626/2308-5916.2023-24.35-44 Mathematical and computer modelling. Series: Technical sciences; 2023: Mathematical and computer modelling. Series: Technical sciences. Issue 24; 35-44 Математичне та комп'ютерне моделювання. Серія: Технічні науки ; 2023: Математичне та комп'ютерне моделювання. Серія: Технічні науки. Випуск 24; 35-44 2308-5916 10.32626/2308-5916.2023-24 en http://mcm-tech.kpnu.edu.ua/article/view/294168/286968 |
| institution |
Mathematical and computer modelling. Series: Technical sciences |
| collection |
OJS |
| language |
English |
| format |
Article |
| author |
Ізонін, Іван |
| spellingShingle |
Ізонін, Іван Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід |
| author_facet |
Ізонін, Іван |
| author_sort |
Ізонін, Іван |
| title |
Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід |
| title_short |
Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід |
| title_full |
Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід |
| title_fullStr |
Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід |
| title_full_unstemmed |
Ансамблевий метод уточнення параметрів моделі регресії: прямий підхід |
| title_sort |
ансамблевий метод уточнення параметрів моделі регресії: прямий підхід |
| title_alt |
An Ensemble Method for the Regression Model Parameter Adjustments: Direct Approach |
| description |
Intelligence analysis of tabular datasets in the field of biomedical engineering is a complex task. This is explained both by the multidimensional datasets and the complex relationships between the components of the set, and by the high price of the error in the prediction. The task becomes more difficult in the case of limited data for training, which often occurs in this field. This is due to the enormous time, material, or human resources required to collect enough data to implement training procedures with classical machine learning tools. This paper presents a new approach to solving this task. The author has developed a new ensemble method for the regression model parameters adjustments (direct approach) with the possibility of cyclically increasing the accuracy of intellectual analysis of short datasets. The basis of the method is the use of the rational fraction and two machine learning algorithms for its parametric identification. Modeling of the method's efficiency on a real-world short set of data from the field of biomedical engineering demonstrated the high accuracy of the developed method's operation. In particular, the prediction accuracy of the General Regression Neural Network was increased by more than 14% (based on the coefficient of determination. That is why the developed method can be used to solve various applied biomedical engineering tasks in the case of the need to analyze small amounts of data |
| publisher |
Kamianets-Podilskyi National Ivan Ohiienko University |
| publishDate |
2023 |
| url |
http://mcm-tech.kpnu.edu.ua/article/view/294168 |
| work_keys_str_mv |
AT ízonínívan anensemblemethodfortheregressionmodelparameteradjustmentsdirectapproach AT ízonínívan ansamblevijmetodutočnennâparametrívmodelíregresííprâmijpídhíd AT ízonínívan ensemblemethodfortheregressionmodelparameteradjustmentsdirectapproach |
| first_indexed |
2024-04-08T14:59:24Z |
| last_indexed |
2024-04-08T14:59:24Z |
| _version_ |
1795779056583573504 |