Метод розширення входів для підвищення точності прогнозування лінійними методами машинного навчання

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ12 Татарином Миколою Сергійовичем. Тема «Метод розширення входів для підвищення точності прогнозування лінійними методами машинного навчання». Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Тема роботи є актуальною, оскільки традиційні лінійні методи мають обмеження, зумовлені їхньою залежністю від припущення лінійності зв'язків між змінними. Це значно ускладнює застосування таких моделей для роботи зі складними наборами даних, які характерні для реальних задач прогнозування. Саме тому метою дослідження є розробка та експериментальне підтвердження ефективності нового нелінійного методу розширення вхідних даних, який дозволить покращити здатність таких моделей до прогнозування на більш складних наборах даних. Об'єктом дослідження виступають методи нелінійного перетворення та розширення вхідних даних. Дослідження зосереджене на аналізі існуючих підходів і розробці нового методу, який може ефективно працювати з різними наборами даних. Предметом дослідження є реалізація конкретного методу нелінійного розширення вхідних даних. Увага приділяється розробці алгоритму розширення даних, його оптимізації, а також оцінці його ефективності. У рамках виконання цієї дипломної роботи розроблено дві варіації нового методу нелінійного розширення даних, за результатами експериментів зафіксовано покращення точності прогнозування порівняно з базовими методами машинного навчання: в середньому на 2% для першої варіації методу, на 8% для другої варіації. Це свідчить про актуальність підходу до нелінійного розширення входів у контексті розв’язання задач прогнозування. Загальний обсяг роботи: 52 сторінки, 17 рисунків, 12 посилання. Master’s degree work of the student of group CSAI-12, Mykola Serhiiovych Tataryn. The topic is "Feature space expansion method for improving predictive accuracy of linear machine learning methods". The work is aimed at obtaining a master's degree in 122 "Computer Science". The topic of the work is relevant because traditional linear methods have limitations due to their reliance on the assumption of linear relationships between variables. This significantly complicates the application of such models to complex datasets that are typical for real-world forecasting tasks. Therefore, the purpose of this research is the development and experimental validation of the effectiveness of a new nonlinear method for input extension, which will improve the predictive capability of such models when applied to more complex datasets. The object of the research is the methods of nonlinear transformation and extension of input data. The research focuses on analyzing existing approaches and developing a new method that can work effectively with various datasets. The subject of the research is the implementation of a specific method for nonlinear input extension. Attention is paid to the development of the data transformation algorithm, its optimization, and the evaluation of its effectiveness. The goal of this work is achieved via developement of two variations of a new nonlinear data extension method. Experimental results show an improvement in prediction accuracy compared to basic machine learning methods: an average of 2% improvement for the first variation of the method and 8% for the second variation. This demonstrates the relevance of the nonlinear input extension approach in the context of solving forecasting tasks. Total volume: 52 pages, 17 figures, 12 references.