Участник:Anastasiya

Материал из MachineLearning.

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

email: anastasia.motrenko@gmail.com

Отчет о научно-исследовательской работе

Весна 2011, 6-й семестр

Использование теста Грейнджера при прогнозировании временных рядов

При прогнозировании ряда бывает полезно определить, является ли данный ряд "зависимым" от некоторого другого ряда. Выявить подобную связь помогает тест Грейнджера, основанный на статистических тестах(при этом метод не гарантирует точного результата - при сравнении двух рядов, зависящих от еще одного ряда возможна ошибка). Метод применяется при прогнозировании экономических явлений и явлений природного характера (например, землятрясений). Цель работы - предложить алгоритм, наилучшим образом использующий данный метод; исследовать эффективность метода в зависимости от прогнозируемых рядов.

Публикация

• Мотренко А.П. Использование теста Грейнджера при прогнозировании временных рядов. — 2011. — № 1. — С. 51-60.

Осень 2011, 7-й семестр

Многоклассовый прогноз вероятности наступления инфаркта

В работе описан алгоритм, позволяющий классифицировать четыре группы пациентов: перенесших инфаркт; больных, имеющих предрасположенность к инфаркту и здоровых пациентов двух групп. Признаками для определения состояния пациента служат измерения концентрации белков в крови. Одной из задач работы является выбор набора маркеров, оптимального для разделения между собой соответствующих групп. Классификация осуществляется по принципу «каждый против каждого», то есть решаются задачи классификации всевозможных пар групп. В силу высокой стоимости анализа крови, объемы данных невелики, поэтому одним из результатов исследования является оценка необходимого объема выборки пациентов.

Публикация

• Мотренко А.П. Многоклассовый прогноз вероятности наступления инфаркта. — 2011. — № 2. — С. 225-235.

Весна 2012, 8-й семестр

Оценка необходимого объема выборки пациентов при прогнозировании сердечно-сосудистых заболеваний

В работе описан алгоритм классификации пациентов, перенесших инфаркт и имеющих предрасположенность к инфаркту. Признаками для определения состояния пациента служат измерения концентрации белков в крови. Решается задача оценки параметров функции регрессии и выбора признаков в логистической регрессии. Предполагается, что объем данных недостаточен, поэтому в работе предлагается способ оценки необходимого объема выборки.

Публикации

• Мотренко А.П. Оценка необходимого объема выборки пациентов при прогнозировании сердечно-сосудистых заболеваний. — 2012. — № 3. — С. 354-366.
• Мотренко А.П. Многоклассовая логистическая регрессия. — 2012. — С. 153-162.
• Motrenko A. Bayesian sample size estimation for logistic regression. — 2012.

Доклад на научной конференции

• Мотренко А.П. Многоклассовый прогноз вероятности наступления инфаркта. — 2012.
• Мотренко А.П. Multiclass classification of cardio-vascular disease patients with sample size estimation. — 2012.

Гранты

• «Многоклассовая логистическая регрессия», ПГАС

Осень 2012, 9-й семестр

Оценка плотности совместного распределения

В задачах классификации часто возникает ситуация, когда часть переменных распределена непрерывно, а часть~--- дискретно. Например, в логистической регрессии признаки непрерывны, а переменная отклика подчиняется распределению Бернулли. В работе описан способ оценки плотности совместного неоднородного распределения, включающего дискретные и непрерывные величины. Рассмотрен случай, когда вероятностные предположения о распределении случайных величин сделать не удается. В этом случае применяются методы ядерного сглаживания. В работе также приводится их сравнение с классическими методами теории вероятностей. Эксперимент проводится на реальных и синтетических данных.

Публикации

• Мотренко А.П. Оценка плотности совместного распределения. — 2013. — № 4. — С. 428-435.

Доклад на научной конференции

• Мотренко А.П. Многоклассовый мультимодельный прогноз вероятности наступления инфаркта. — 2012.
• Мотренко А.П. Multiclass classification of cardio-vascular disease patients with sample size estimation. — 2012.

Гранты

• «Многоклассовая логистическая регрессия», ПГАС
• РФФИ 12-07-31095