А.С. Бабин1, М.И. Барышников2, В.А. Галкин3, Ю.Е. Гапанюк4

1–4 МГТУ им. Н.Э. Баумана (Москва, Россия)
 

Постановка проблемы. Задача обучения с учителем продолжает оставаться наиболее значимой задачей машинного обучения. Человечеством накоплено огромное количество наборов данных, на основе которых возможно построение предсказательных моделей путем решения задач регрессии, классификации, прогнозирования временных рядов. Практическое решение задач машинного обучения невозможно без реализации эффективных программных библиотек, нацеленных на решение этих задач. Метод группового учета аргументов считается одним из наиболее эффективных методов решения задачи обучения с учителем. Однако при этом отсутствуют эффективные программные библиотеки, нацеленных на автоматизацию данного метода.

Цель. Повысить эффективность решения задачи обучения с учителем путем реализации программной библиотеки, нацеленной на автоматизацию метода группового учета аргументов.

Результаты. Проанализирован общий подход, являющийся основой метода группового учета аргументов, а также конкретные алгоритмы реализации метода: COMBI, MULTI, MIA, RIA. Рассмотрено создание эффективной программной библиотеки, нацеленной на реализацию алгоритмов COMBI, MULTI, MIA, RIA. Проведены эксперименты для задач регрессии и прогнозирования временных рядов, показывающие преимущества разработанной библиотеки.

Практическая значимость. С использованием разработанной библиотеки возможно эффективное решение задач регрессии, классификации, прогнозирования временных рядов методом группового учета аргументов.

Бабин А.С., Барышников М.И., Галкин В.А., Гапанюк Ю.Е. Разработка библиотеки для метода группового учета аргументов // Динамика сложных систем. 2023. Т. 17. № 2. С. 51−65. DOI: 10.18127/j19997493-202302-06

1. Жук Д.М., Волосатова Т.М., Спасенов А.Ю., Кучеров К.В. Оценка динамических систем с использованием модально-лингвистического анализа многомерных временных рядов // Динамика сложных систем – XXI век. 2020. Т. 14. № 1. С. 39–45. DOI 10.18127/j19997493-202001-04.
2. Мышенков К.С., Некула Х. Использование методов машинного обучения для прогнозирования неврологических заболеваний // Динамика сложных систем – XXI век. 2022. Т. 16. № 1. С. 66–74. DOI 10.18127/j19997493-202201-07.
3. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника. 1971. 372 с.
4. Ivakhnenko A.G. Polynomial Theory of Complex Systems. Reprinted by permission from IEEE Transactions on Systems, Man, and Cybernetics. October 1971. V. SMC-1. № 4. P. 364–378.
5. Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks. 2015. V. 61. P. 85–117.
6. Dag O., Ceylan Y. GMDH: An R Package for Short Term Forecasting via GMDH-Type Neural Network Algorithms. The R Journal. Aug. 2016. V. 8/1. P. 379–386.
7. GmdhPy library. URL: https://github.com/kvoyager/GmdhPy (дата обращения: 13.03.2023).
8. Понятский В.М., Велешки С.И., Жирнова А.В. Использование метода группового учета аргументов для выбора структуры модели динамического объекта // Изв. Тульского государственного университета. Технические науки. 2013. № 2. С. 255–267.
9. Степашко В.С., Костенко Ю.В. Исследование свойств комбинаторно-селекционного (многоэтапного) алгоритма МГУА // Моделирование и управление состоянием эколого-экономических систем региона: сб. науч. тр. Киев: ИК НАНУ. 2001. С. 69–76.
10. Ясинский И.Ф. и др. О создании нейросетевой гибридной системы для профессионального ориентирования студентов // Вестник Череповецкого государственного университета. 2021. № 5 (104). С. 59–71.
11. Ивахненко А.Г., Степашко В.С. Помехоустойчивость моделирования. Киев: Наукова думка. 1985. 216 с.
12. Pidnebesna H., Savchenko-Synyakova Y., Stepashko V. Application of the Ontological Approach to the Iterative GMDH Algorithms Metamodel Construction. IEEE 17th International Conference on Computer Sciences and Information Technologies (CSIT). 2022. P. 576–579.
13. Boost C++ libraries. URL: https://www.boost.org (дата обращения: 13.03.2023).
14. Eigen library. URL: https://github.com/PX4/eigen (дата обращения: 13.03.2023).
15. Indicators library. URL: https://github.com/p-ranav/indicators (дата обращения: 13.03.2023).
16. Pybind11 library. URL: https://github.com/pybind/pybind11 (дата обращения: 13.03.2023).
17. Eigen library: Linear algebra and decompositions. URL: https://eigen.tuxfamily.org/dox/group__TutorialLinearAlgebra.html (дата обращения: 13.03.2023).
18. Laptop Price Dataset. URL: https://www.kaggle.com/datasets/muhammetvarl/laptop-price (дата обращения: 13.03.2023).
19. Weather Madrid 1997-2015 Dataset. URL: https://www.kaggle.com/ datasets/juliansimon/weather_madrid_lemd_1997_2015.csv (дата обращения: 13.03.2023).