CatBoost: unbiased boosting with categorical features

В статье строится прогноз региональной инфляции на примере субъектов, входящих в Приволжский федеральный округ (ПФО). Цель исследования – определить модель, которая точнее остальных прогнозирует региональную инфляцию. В работе производится сравнение инструментов машинного обучения – метода опорных векторов, градиентного бустинга и случайного леса с эконометрическими моделями временных рядов, авторегрессией и интегрированной авторегрессией-скользящего среднего, – моделями, которые чаще ...

Добавлено: 13 февраля 2024 г.

Explainable Machine Learning for Sequences of Demographic Statuses

Муратова А. А., Митрофанова Е. С., Ислам Р., , in: Procedia Computer Science: 11th International Young Scientist Conference on Computational ScienceVol. 212.: Elsevier, 2022. P. 358–367.

Добавлено: 10 сентября 2022 г.

SGLB: Stochastic Gradient Langevin Boosting

Ustimenko A., Прохоренкова Л. А., , in: Proceedings of the 38th International Conference on Machine Learning (ICML 2021)Vol. 139.: PMLR, 2021. P. 1–10.

Добавлено: 6 августа 2021 г.

Uncertainty in Gradient Boosting via Ensembles

Малинин А. А., Прохоренкова Л. А., Ustimenko A., , in: Proceedings of the 9th International Conference on Learning Representations (ICLR 2021). ICLR, 2021.: ICLR, 2021..

Добавлено: 2 августа 2021 г.

Boost then Convolve: Gradient Boosting Meets Graph Neural Networks

Ivanov S., Прохоренкова Л. А., , in: Proceedings of the 9th International Conference on Learning Representations (ICLR 2021). ICLR, 2021.: ICLR, 2021..

Добавлено: 2 августа 2021 г.

StochasticRank: Global Optimization of Scale-Free Discrete Functions

Liudmila Prokhorenkova, Ustimenko A., , in: International Conference on Machine Learning (ICML 2020)Vol. 119.: PMLR, 2020. P. 9669–9679.

Добавлено: 14 января 2021 г.

Interpretable machine learning for demand modeling with high-dimensional data using Gradient Boosting Machines and Shapley values

Антипов Е. А., Покрышевская Е. Б., Journal of Revenue and Pricing Management 2020 No. 19 P. 355–364

Forecasting demand and understanding sales drivers are one of the most important tasks in retail analytics. However, traditionally, linear models and/or models with a small number of predictors have been predominantly used in sales modeling. Taking into account that real-world demand is naturally determined by complex substitution and complementation patterns among a large number of ...

Добавлено: 31 октября 2020 г.

Attribution of Customers’ Actions Based on Machine Learning Approach

Timur Kadyrov, Игнатов Д. И., , in: Proceedings of the Fifth International Workshop on Experimental Economics and Machine Learning (EEML 2019),Perm, Russia, September 26, 2019Vol. 2479.: CEUR Workshop Proceedings, 2019. P. 77–88.

Добавлено: 20 января 2020 г.

MonoForest framework for tree ensemble analysis

Кураленок И. Е., Ershov V., Лабутин И. Н., , in: Advances in Neural Information Processing Systems 32 (NeurIPS 2019).: [б.и.], 2019. P. 1–10.

Добавлено: 27 декабря 2019 г.

Проектирование и разработка модуля для расчёта начального рейтинга транспортного перевозчика с использованием алгоритмов машинного обучения

Булычев А. В., Сомов О. Д., В кн.: Информатика, управление и системный анализ: Труды V Всероссийской научной конференции молодых ученых с международным участием.: Ростов н/Д: Ростовский государственный экономический университет "РИНХ", 2018. С. 94–102.

В процессе разработки информационной системы для логистических перевозок возникает необходимость в определении первоначального рейтинга нового перевозчика в рамках головной компании. Наличие рейтинга помогает точнее осуществлять формирование заказов и строить прогнозы его взаимодействия с головной компанией в будущем ...

Добавлено: 3 сентября 2019 г.

Transport Workers Activities Analysis Using an Artificial Neural Network

Kulagin M., Сидоренко В. Г., , in: Proceedings of the Third International Scientific Conference “Intelligent Information Technologies for Industry” (IITI’18) Volume 2Vol. 2.: Springer, 2019. P. 308–316.

Добавлено: 19 января 2019 г.