MonoForest framework for tree ensemble analysis

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.

О выразительных возможностях ансамблей решающих деревьев

Соколов А. П., Прохоренкова Л. А., Интеллектуальные системы. Теория и приложения 2023 Т. 27 № 1 С. 18–23

Решающие деревья широко применяются в машинном обуче нии, статистике и анализе данных. Предиктивные модели, осно ванные на решающих деревьях, показывают отличные результаты в терминах точности и времени обучения, особенно на гетерогенных табличных датасетах. Производительность, простота и надежность делают это семейство алгоритмов одним из наиболее популярных в машинном обучении и науке о данных. Одним из важных гиперпараметров алгоритмов, основанных на решающих деревьях, является максимальная ...

Добавлено: 11 февраля 2024 г.

Machine learning methods for demographic data analysis

Муратова А. А., Игнатов Д. И., Митрофанова Е. С., , in: Recent Trends in Analysis of Images, Social Networks and Texts. 9th International Conference, AIST 2020, Skolkovo, Moscow, Russia, October 15–16, 2020 Revised Supplementary ProceedingsVol. 12602.: Springer, 2021. P. 297–299.

Добавлено: 1 ноября 2022 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.

Прогнозирование энергопотребления на основе автоматического машинного обучения

Данилов К. В., Автоматизация. Современные технологии 2020 Т. 74 № август 2020 С. 402–407

Рассмотрена задача прогнозирования энергопотребления на основе автоматического машинного обучения. Приведена схема процесса автоматического создания и применения модели прогнозирова ния. Предлагаемый подход апробирован на основе данных о потреблении электроэнергии в регионах России. Проведённый вычислительный эксперимент показал высокую эффективность разработан ной модели. Точность прогнозирования составила 97...99 %. ...

Добавлено: 13 июня 2022 г.

Decision Concept Lattice vs. Decision Trees and Random Forests

Дудырев Е. О., Кузнецов С. О., , in: Formal Concept Analysis: 16th International Conference, ICFCA 2021, Strasbourg, France, June 29 – July 2, 2021, Proceedings.: Springer, 2021. Ch. 16 P. 252–260.

Добавлено: 28 сентября 2021 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.

Comparison of Machine Learning Methods for Life Trajectory Analysis in Demography

Муратова А. А., Митрофанова Е. С., Ислам Р., , in: Intelligent Information and Database Systems: 13th Asian Conference, ACIIDS 2021, Phuket, Thailand, April 7–10, 2021, Proceedings.: Springer, 2021. P. 630–642.

Добавлено: 6 апреля 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.

CatBoost: unbiased boosting with categorical features

Liudmila Prokhorenkova, Gusev G., Vorobev A. и др., , in: Advances in Neural Information Processing Systems 31 (NeurIPS 2018).: Neural Information Processing Systems Foundation, 2018. P. 6638–6648.

Добавлено: 1 мая 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.