Метод розв’язання задачі регресії із використанням кластеризації в умовах аналізу коротких наборів даних

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-21 Машталіром Данилом Богдановичем. Тема: «Метод розв’язання задачі регресії із використанням кластеризації в умовах аналізу коротких наборів даних». Робота направлена на здобуття ступеня магістра за спеціальністю 122 «Комп’ютерні науки». Метою роботи є підвищення точності аналізу коротких вибірок медичних даних за рахунок послідовного використання кластеризації та регресорів на основі машинного навчання в кожному окремому кластері. Об’єктом дослідження є процеси композиції ієрархічних методів прогнозування на основі машинного навчання. Предметом дослідження є методи аугментації та прогнозування у випадку коротких наборів даних. У результаті виконання магістерської кваліфікаційної роботи було модифіковано ієрархічний предиктор методами аугментації даних. На реальних даних ця модифікація дозволила значно покращити точність прогнозування. Для першого набору даних за метрикою MSE покращення становило 40%, для другого 83%. Загальний обсяг роботи: 66 сторінок, 25 рисунків, 25 посилань. The Master's degree work was completed by student Danylo Bohdanovych Mashtalir of the KNSH-21 group. The topic: «Method for Solving the Regression Problem Using Clustering in the Analysis of Short Data Sets». The work is aimed at obtaining a Master's degree in specialty 122 "Computer Science". The goal of this study is to improve the accuracy of analysis short medical data samples by consecutively using clustering and regressors based on machine learning in each separate cluster. The object of the study is the composition processes of hierarchical forecasting methods based on machine learning. The subject of the study is data augmentation and prediction methods in case of short data sets. As a result of the completion of the master's degree work, the hierarchical predictor was modified by data augmentation methods. On real data, this modification significantly improved the accuracy of prediction. For the first data set, the improvement in MSE was 40%, and for the second, it was 83%. Total volume of the work: 66 pages, 25 figures, 25 references.