Применение нечеткой классификации для гибридных линейных методов прогнозирования | Научно-инновационный портал СФУ

Применение нечеткой классификации для гибридных линейных методов прогнозирования

Перевод названия: Application of the Fuzzy Classification for Linear Hybrid Prediction Methods

Тип публикации: статья из журнала

Год издания: 2013

Ключевые слова: linear regression, Fuzzy classification, hybrid prediction methods, линейная регрессия, нечеткая классификация, гибридные методы прогнозирования

Аннотация: Статья посвящена проблеме прогнозирования для выборок с действительными признаками. Цель работы — оценить влияние порожденных бинарных признаков на точность прогнозирования линейной регрессии и гибридных линейных методов, основанных на кластеризации. Для этого исходный набор входных признаков выборки дополняется бинарными признаками, полученными из исходных посредством нечеткой классификации. Производится сравнительное тестирование рассматриваемых методов прогнозирования на исходной и полученной выборках. Результаты тестирования на трех различных базах данных показали, что для классической линейной регрессии использование порожденных признаков привело к существенному увеличению точности прогнозирования. Для линейной регрессии с кластеризацией методом k-means также наблюдалось увеличение точности прогноза, для линейной регрессии с кластеризацией методом knn — незначительное снижение, и неустойчивый результат — для двойной линейной регрессии. The paper discusses the problem of forecasting for samples with real-valued attributes. The goal is to estimate the effect of generated binary attributes on forecasting accuracy for the linear regression and the hybrid methods based on clustering. The initial set of attributes is expanded by binary attributes which are derived from the initial set by fuzzy classification. A comparative testing of the discussed forecasting methods on the initial samples and the resulting ones is performed. The test results on three different databases showed that the use of generated attributes for the classical linear regression resulted in the significant increase of the forecasting accuracy. In case of the linear regression with the clustering based on k-means the increase of forecasting accuracy was also observed. In case of the linear regression with the clustering based on the knn-method we registered a slight decrease, and an unstable result was obtained for the double linear regression.

Ссылки на полный текст

Издание

Журнал: Моделирование и анализ информационных систем

Выпуск журнала: Т. 20, 3

Номера страниц: 108-120

ISSN журнала: 18181015

Место издания: Ярославль

Издатель: федеральное государственное бюджетное образовательное учреждение высшего образования "Ярославский государственный университет им. П.Г. Демидова"

Авторы

Вхождение в базы данных

Информация о публикациях загружается с сайта службы поддержки публикационной активности СФУ. Сообщите, если заметили неточности.

Вы можете отметить интересные фрагменты текста, которые будут доступны по уникальной ссылке в адресной строке браузера.