Managing Ambiguity in Regression Ensembles

Y. Zelenkov

doi:10.1109/ISPRAS60948.2023.10508182

Публикации

?

Managing Ambiguity in Regression Ensembles

P. 176–182.

Текст на другом сайте

Ключевые слова: ensemble learning Gradient boosting error-ambiguity decomposition

В книге

2023 Ivannikov ISPRAS Open Conference (ISPRAS)

IEEE, 2023.

Rubic2: Ensemble Model for Russian Lemmatization

Афанасьев И. А., Glazkova A., Ляшевская О. Н. и др., , in: Proceedings of the 10th Workshop on Slavic Natural Language Processing (Slavic NLP 2025).: Association for Computational Linguistics, 2025. P. 157–170.

Добавлено: 10 марта 2026 г.

Ensemble methods for representation of fMRI, EEG/MEG data in graph form for classification of brain states

Власенко Д. В., Заикин А. А., Захаров Д. Г., , in: 2024 8th Scientific School Dynamics of Complex Networks and their Applications (DCNA).: IEEE, 2024. P. 258–261.

Добавлено: 7 декабря 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.

Optimization of the regression ensemble size

Yu. Zelenkov, Informatics and Automation (SPIIRAS Proceedings) 2023 Vol. 22 No. 2 P. 393–415

Добавлено: 26 марта 2023 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.

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.

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.

RecSys Challenge 2015: ensemble learning with categorical features

Ромов П. А., Соколов Е. А., , in: Proceedings of the 2015 International ACM Recommender Systems Challenge.: NY: ACM, 2015.

Добавлено: 24 февраля 2016 г.

Can FCA-based Recommender System Suggest a Proper Classifier?

Кашницкий Ю. С., Игнатов Д. И., , in: Proceedings of the International Workshop "What can FCA do for Artificial Intelligence?" (FCA4AI at ECAI 2014)Vol. 1257.: Prague: CEUR Workshop Proceedings, 2014. Ch. 3 P. 17–26.

Добавлено: 12 сентября 2014 г.

Recommender-based Multiple Classifier System

Кашницкий Ю. С., , in: The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases. PhD Session Proceedings.: [б.и.], 2014. P. 21–30.

Добавлено: 12 сентября 2014 г.