Attribution of Customers’ Actions Based on Machine Learning Approach

Многосторонние цифровые платформы предоставляют услуги с нулевой ценой, поскольку с помощью рекламы монетизируют внимание и данные пользователей. Тестирование гипотез о факторах, объясняющих цены на баннерную рекламу (display advertising) крупнейших цифровых платформ, вносит вклад в объяснение их рыночной власти. С января 2018 по I кв. 2024 г. цена за 1000 просмотров (cost per mile, CPM) тем ...

Добавлено: 5 декабря 2024 г.

Managing Ambiguity in Regression Ensembles

Зеленков Ю. А., , in: 2023 Ivannikov ISPRAS Open Conference (ISPRAS).: IEEE, 2023. P. 176–182.

Добавлено: 1 мая 2024 г.

Детерминанты спроса на рекламу: в чем отличие цифровых каналов?

Авдашева С. Б., Чесноков В. С., Тимофеева А. О., Финансы и бизнес 2023 Т. 19 № 4 С. 26–47

Исследование тестирует гипотезу о положительной зависимости расходов на рекламу от концентрации пользователей социальных сетей и поисковых систем наряду с другими детерминантами, а также сравнение расходов на цифровую рекламу в России и других странах на основе панельного анализа. Эффект концентрации пользователей цифровых платформ оценен впервые. Выявлено, что концентрация пользователей повышает расходы на рекламу в поисковых системах, но ...

Добавлено: 5 апреля 2024 г.

Прогнозирование региональной инфляции: эконометрические модели или методы машинного обучения?

Букина Т. В., Кашин Д. В., Экономический журнал Высшей школы экономики 2024 Т. 28 № 1 С. 81–107

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.

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.

Digital advertising: regulations and challenges in Russia

Шурмина И. А., Interactive Entertainment Law Review 2020 No. 3 P. 59–66

Добавлено: 16 ноября 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.

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 Modeling in Digital Advertising for E-commerce

Александровский С. В., Trundova Olga, International Journal of Internet Marketing and Advertising 2022 Vol. 16 No. 1/2 P. 19–37

Добавлено: 10 марта 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.