Підвищення ефективності модифікованого методу урахування аргументів для побудови багатовимірних регресій, заданих надлишковим описом

Автор(и)

  • О. Павлов КПІ ім. Ігоря Сікорського, Україна
  • М. Головченко КПІ ім. Ігоря Сікорського, Україна
  • В. Дрозд КПІ ім. Ігоря Сікорського, Україна
  • В. Шаргородський КПІ ім. Ігоря Сікорського, Україна

DOI:

https://doi.org/10.20535/1560-8956.46.2025.323833

Ключові слова:

регресійний аналіз, метод найменших квадратів, перевірочна послідовність, регулярний критерій, метод групового урахування аргументів, частковий опис

Анотація

Розглядається задача побудови багатовимірної регресії, лінійної відносно невідомих коефіцієнтів, що задана надлишковим описом. Треба знайти структуру шуканої регресії, тобто виключити з її опису вхідні детерміновані змінні, значення яких не впливають чи практично не впливають на значення вихідної змінної, а також оцінити
коефіцієнти, що залишилися. Раніше авторами для розв’язання цієї задачі було запропоновано метод, що є модифікацією загальновідомого методу групового урахування аргументів. Модифікація полягала в тому, що специфіка сформульованої задачі, а саме, представлення багатовимірної регресії надлишковим описом, дозволило суттєво спростити алгоритм знаходження множини часткових описів шуканої регресії, що статистично значимо містить правильну структуру. В якості регулярного критерію, що відбирає за перевірочною послідовністю даних з множини часткових описів той, що претендує на розв’язок, був використаний асиметричний критерій – сума квадратів відхилень значень вихідних даних від значень часткового опису багатовимірної регресії. В даній роботі пропонується підвищити ефективність модернізованого методу групового урахування аргументів за рахунок одночасного використання низки регулярних критеріїв алгоритмічною процедурою, що враховує специфіку сформульованої задачі. Наведені результати статистично значимого дослідження ефективності нової версії модифікованого методу групового урахування аргументів.

Бібл. 15, табл. 2

Посилання

Pavlov A.A., Holovchenko M.N., Drozd V.V. Efficiency substantiation for a synthetical method of constructing a multivariate polynomial regression given by a redundant representation. Bulletin of National Technical University “KhPI”. Series: System analysis, control and information technologies. 2023. Vol. 1. Iss. 9. P. 3–9. DOI: 10.20998/2079-0023.2023.01.01

Yu L. Using negative binomial regression analysis to predict software faults: a study of Apache Ant. International Journal of Information Technology and Computer Science (IJITCS). 2012. Vol. 4. Iss. 8. P. 63–70. DOI: 10.5815/ijitcs.2012.08.08

Shahrel M.Z., Mutalib S., Abdul-Rahman S. PriceCop – price monitor and prediction using linear regression and LSVM-ABC methods for e-commerce platform. International Journal of Information Engineering and Electronic Business (IJIEEB). 2021. Vol. 13. Iss. 1. P. 1–14. DOI: 10.5815/ijieeb.2021.01.01

Satter A., Ibtehaz N. A regression based sensor data prediction technique to analyze data trustworthiness in cyber-physical system. International Journal of Information Engineering and Electronic Business (IJIEEB). 2018. Vol. 10. Iss. 3. P. 15–22. DOI: 10.5815/ ijieeb.2018.03.03

Isabona J., Ojuh D.O. Machine learning based on kernel function controlled gaussian process regression method for in-depth extrapolative analysis of Covid-19 daily cases drift rates. International Journal of Mathematical Sciences and Computing (IJMSC). 2021. Vol. 7. Iss. 2. P. 14–23. DOI: 10.5815/ ijmsc.2021.02.02

Sinha P. Multivariate polynomial regression in data mining: methodology, problems and solutions. International Journal of Scientific & Engineering Research. 2013. Vol. 4. Iss. 12. P. 962–965

Kalivas J.H. Interrelationships of multivariate regression methods using eigenvector basis sets. Journal of Chemometrics. 1999. Vol. 13. Iss. 2. P. 111–132. DOI: 10.1002/(SICI)1099-128X(199903/ 04)13:2<111::AID-CEM532>3.0.CO;2-N

Ortiz-Herrero L., Maguregui M. I., Bartolomé L. Multivariate (O)PLS regression methods in forensic dating. TrAC Trends in Analytical Chemistry. 2021. Vol. 141. P. 116278. DOI: 10.1016/ j.trac.2021.116278

Guo G., Niu G., Shi Q., Lin Q., Tian D., Duan Y. Multi-element quantitative analysis of soils by laser induced breakdown spectroscopy (LIBS) coupled with univariate and multivariate regression methods. Analytical Methods. 2019. Vol. 11. Iss. 23. P. 3006–3013. DOI: 10.1039/C9AY00890J

Настенко Е., Павлов В., Бойко Г., Носовец О. Многокритериальный алгоритм шаговой регрессии. Біомедична інженерія і технологія, 2020. № 3. С. 48–53. DOI: 10.20535/2617-8974.2020.3.195661

Babatunde G., Emmanuel A. A., Oluwaseun O. R., Bunmi O. B., Precious A. E. Impact of climatic change on agricultural product yield using k-means and multiple linear regressions. International Journal of Education and Management Engineering (IJEME). 2019. Vol. 9. No. 3. P. 16–26. DOI: 10.5815/ijeme.2019.03.02

Худсон Д. Статистика для физиков: Лекции по теории вероятностей и элементарной статистике. 1970. Мир, 296 с.

Pavlov A. A. Holovchenko M. N., Drozd V. V. Construction of a multivariate polynomial given by a redundant description in stochastic and deterministic formulations using an active experiment. Bulletin of National Technical University “KhPI”. Series: System analysis, control and information technologies. 2022. Vol. 1. Iss. 7. P. 3–8. DOI: 10.20998/2079-0023.2022.01.01

Pavlov A., Holovchenko M., Mukha I., Lishchuk K., Drozd V. A Modified Method and an Architecture of a Software for a Multivariate Polynomial Regression Building Based on the Results of a Conditional Active Experiment. Lecture Notes on Data Engineering and Communications Technologies. 2023. Vol. 181. P. 207–222. DOI: 10.1007/978-3-031-36118-0_19

Pavlov A. A., Holovchenko M. N. Modified method of constructing a multivariate linear regression given by a redundant description. Bulletin of National Technical University “KhPI”. Series: System analysis, control and information technologies. 2022. Vol. 2. Iss. 8. P. 3–8. DOI: 10.20998/2079-0023.2022.02.01

##submission.downloads##

Опубліковано

2025-02-26