Отбор переменных в логистическую регрессию генетическим алгоритмом
В статье исследуются эффективные процедуры отбора переменных в бинарные классифицирующие
 модели на основе логистической регрессии. Для этого используется генетический алгоритм, причем в
 функцию фитнеса особи параметр штрафа за включение в модель новых переменных изменяется в&#x...
Saved in:
| Date: | 2008 |
|---|---|
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2008
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/7157 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Отбор переменных в логистическую регрессию генетическим алгоритмом / Н.Б. Паклин // Штучний інтелект. — 2008. — № 3. — С. 714-719. — Бібліогр.: 5 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862633190762479616 |
|---|---|
| author | Паклин, Н.Б. |
| author_facet | Паклин, Н.Б. |
| citation_txt | Отбор переменных в логистическую регрессию генетическим алгоритмом / Н.Б. Паклин // Штучний інтелект. — 2008. — № 3. — С. 714-719. — Бібліогр.: 5 назв. — рос. |
| collection | DSpace DC |
| description | В статье исследуются эффективные процедуры отбора переменных в бинарные классифицирующие
модели на основе логистической регрессии. Для этого используется генетический алгоритм, причем в
функцию фитнеса особи параметр штрафа за включение в модель новых переменных изменяется в
зависимости от рассчитанного значения площади под ROC-кривой. Проведены эксперименты на
модельных наборах данных и в задаче кредитного скоринга.
У статті досліджуються ефективні процедури відбору змінних в бінарні класифікуючі моделі на
основі логістичної регресії. Для цього використовується генетичний алгоритм, причому у функцію
фітнеса особини параметр штрафу за включення в модель нових змінних змінюється залежно від
розрахованого значення площі під ROC-кривою. Проведені експерименти на модельних наборах
даних і в задачі кредитного скорингу.
In the paper we discuss effective procedures for а feature selection problem in a binary logistic regression
model. A genetic algorithm was used to find best feature combinations, with the special fitness function
based on a penalty parameter for including new variables. This parameter depends on ROC-curve index on
current epoch. Experiments on Madelon data set and credit scoring classification problem were made.
|
| first_indexed | 2025-11-30T14:00:16Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-7157 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-11-30T14:00:16Z |
| publishDate | 2008 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Паклин, Н.Б. 2010-03-25T11:58:50Z 2010-03-25T11:58:50Z 2008 Отбор переменных в логистическую регрессию генетическим алгоритмом / Н.Б. Паклин // Штучний інтелект. — 2008. — № 3. — С. 714-719. — Бібліогр.: 5 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/7157 62-50:15 В статье исследуются эффективные процедуры отбора переменных в бинарные классифицирующие
 модели на основе логистической регрессии. Для этого используется генетический алгоритм, причем в
 функцию фитнеса особи параметр штрафа за включение в модель новых переменных изменяется в
 зависимости от рассчитанного значения площади под ROC-кривой. Проведены эксперименты на
 модельных наборах данных и в задаче кредитного скоринга. У статті досліджуються ефективні процедури відбору змінних в бінарні класифікуючі моделі на
 основі логістичної регресії. Для цього використовується генетичний алгоритм, причому у функцію
 фітнеса особини параметр штрафу за включення в модель нових змінних змінюється залежно від
 розрахованого значення площі під ROC-кривою. Проведені експерименти на модельних наборах
 даних і в задачі кредитного скорингу. In the paper we discuss effective procedures for а feature selection problem in a binary logistic regression
 model. A genetic algorithm was used to find best feature combinations, with the special fitness function
 based on a penalty parameter for including new variables. This parameter depends on ROC-curve index on
 current epoch. Experiments on Madelon data set and credit scoring classification problem were made. ru Інститут проблем штучного інтелекту МОН України та НАН України Архитектура, алгоритмическое и программное обеспечение интеллектуальных многопроцессорных систем Отбор переменных в логистическую регрессию генетическим алгоритмом Відбір змінних в логістичну регресію генетичним алгоритмом Feature Selection in a Logistic Regression by Genetic Algorithm Article published earlier |
| spellingShingle | Отбор переменных в логистическую регрессию генетическим алгоритмом Паклин, Н.Б. Архитектура, алгоритмическое и программное обеспечение интеллектуальных многопроцессорных систем |
| title | Отбор переменных в логистическую регрессию генетическим алгоритмом |
| title_alt | Відбір змінних в логістичну регресію генетичним алгоритмом Feature Selection in a Logistic Regression by Genetic Algorithm |
| title_full | Отбор переменных в логистическую регрессию генетическим алгоритмом |
| title_fullStr | Отбор переменных в логистическую регрессию генетическим алгоритмом |
| title_full_unstemmed | Отбор переменных в логистическую регрессию генетическим алгоритмом |
| title_short | Отбор переменных в логистическую регрессию генетическим алгоритмом |
| title_sort | отбор переменных в логистическую регрессию генетическим алгоритмом |
| topic | Архитектура, алгоритмическое и программное обеспечение интеллектуальных многопроцессорных систем |
| topic_facet | Архитектура, алгоритмическое и программное обеспечение интеллектуальных многопроцессорных систем |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/7157 |
| work_keys_str_mv | AT paklinnb otborperemennyhvlogističeskuûregressiûgenetičeskimalgoritmom AT paklinnb vídbírzmínnihvlogístičnuregresíûgenetičnimalgoritmom AT paklinnb featureselectioninalogisticregressionbygeneticalgorithm |