350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №3 за 2010 г.
Статья в номере:
Методика отбора существенных входных признаков при нейросетевом решении задач регрессии
Ключевые слова: нейронные сети задача регрессии отбор существенных признаков WEKA
Авторы:
А. Г. Гужва - Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского Государственного Университета им. М.В.Ломоносова. E-mail: alexanderguzhva@gmail.com С.А. Доленко - к. ф.-м. н., Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского государственного университета им. М.В.Ломоносова. E-mail: dolenko@srd.sinp.msu.ru И.Г. Персианцев - д. ф.-м. н., профессор, Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского Государственного Университета им. М.В. Ломоносова. E-mail: ipers@srd.sinp.msu.ru
Аннотация:
Рассмотрена проблема отбора входных признаков при нейросетевом решении задач регрессии. На ряде наборов данных из общедоступной базы WEKA произведено сравнение некоторых методов отбора входных признаков. Приведены результаты полученного сравнения. По результатам сравнения предложен порядок применения методов анализа существенности входных признаков при рассмотрении новых задач.
Страницы: 20-32
Список источников
  1. Carreira-Perpiñán, M. Á., A review of Dimension Reduction Techniques. Technical Report CS-96-09, Dept. of Computer Science, University of Sheffield.
  2. Pudil, P., Somol, P., Current Feature Selection Techniques in Statistical Pattern Recognition. Computer Recognition Systems, Springer Berlin / Heidelberg. 2005. P. 53-68.
  3. Guyon, I., Elisseeff, A., An Introduction to Variable and Feature Selection. Journal of Machine Learning Research. 2003. V. 3. P. 1157-1182.
  4. Mladenić, D., Feature Selection for Dimensionality Reduction. C. Saunders et al. (Eds.) // SLSFS 2005. Lecture Notes in Computer Science. 2006. V. 3940. P. 84-102.
  5. Гужва А. Г., Доленко С. А., Персианцев И. Г., Шугай Ю. С., Еленский В. Г. Отбор существенных переменных при нейросетевом прогнозировании: сравнительный анализ методов // IX Всероссийская научная конференция «Нейроинформатика-2007». Сб. научн. тр. Ч. 2. М.: МИФИ. 2007. С. 251-258.
  6. Гужва А. Г., Доленко С. А., Персианцев И. Г., Шугай Ю. С.Сравнительный анализ методов определения существенности входных переменных при нейросетевом моделировании: методика сравнения и ее применение к известным задачам реального мира // X Всероссийская научная конференция «Нейроинформатика-2008»: Сб. научн тр. Ч. 2. М.: МИФИ. 2008. С. 216-225.
  7. База данных WEKA. URL: http://www.cs.waikato.ac.nz/ml/weka/
  8. Friedman,J. H., (1999). Stochastic Gradient Boosting (Tech. Rep.). URL: http://www-stat.stanford.edu/~jhf/ftp/stobst.ps
  9. Костенко В. А., Смолик А. Е. Алгоритм мультистарта с отсечением для обучения нейронных сетей прямого распространения // IX Всероссийская научная конференция «Нейроинформатика-2007»: Сб. научн. тр. Ч. 3. М.: МИФИ. 2007. С. 251-257.
  10. Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ: 1998.
  11. Gevrey, M., Dimopoulos, I., Lek, S., Review and comparison of methods to study the contribution of variables in artificial neural network models // Ecological Modeling. 2003. V. 160. P. 249-264.
  12. Linda, L. Feature Selection Using Neural Networks with Contribution Measures // Computer Science and Engineering, University of New South Wales.
  13. Warren S. Sarle. How to measure importance of inputs - SAS Institute Inc., Cary, NC, USA. URL: ftp://ftp.sas.com/pub/neural/importance.html
  14. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд-во института математики. 1999.