No abstract

No abstract

No abstract

Кафедра биомедицинской кибернетики Национального технического университета «Киевский политехнический институт имени Игоря Сикорского», г. Киев, Украина Реферат -В работе решается задача структурно-параметрического синтеза модели множественной линейной регрессии в условиях частичной мультиколлинеарности входных переменных. Алгоритм осуществляет исключение переменных по оценке мультиколлинеарности методом Фаррара-Глобера. Оптимизация параметров шагового алгоритма осуществляется в соответствии с внешним критериемнормированная относительная среднеквадратичная ошибка на проверочной выборке данных. Рассмотрен пример моделирования эффективности функционального состояния дыхательной системы пациента по величине потребления кислорода. Сравнение результатов стандартного Stepwise и предложенного алгоритмов показало преимущество последнего на экзаменационной выборке данных. Ключевые слова -принципы самоорганизации, шаговый алгоритм, многомерная линейная регрессия, мультиколлинеарность, метод Фаррара-Глобера, внешний критерий, функциональное состояние, дыхательная система. Анотація. У роботі вирішується завдання структурно-параметричного синтезу моделі множинної лінійної регресії в умовах часткової мультиколінеарності вхідних змінних. Алгоритм здійснює виключення змінних за оцінкою мультиколінеарності методом Фаррара-Глобера. Оптимізація параметрів крокового алгоритму здійснюється відповідно до зовнішнього критеріюнормированій відносній середньоквадратичній помилці на перевірочній вибірці даних. Розглянуто приклад моделювання ефективності стану дихальної системи пацієнта за величиною спожитого кисню. Порівняння результатів стандартного Stepwise та запропонованого алгоритмів показало перевагу останнього на екзаменаційній вибірці даних.

The classification problem where each object is given by a set of multidimensional measurements that is associated with an unknown dependence is considered. Intersection of sets that define objects from different classes is allowed. In this case, it is natural to found classification algorithms based on the difference between dependencies for the objects belonging to different classes. Two algorithms to convert the set classification problem solution from the initial feature space into (1) the parameters space of the common model structure for all the objects and (2) the parameters spaces of the best structures for each class are proposed, along with a classification algorithm based on the accuracy of object representation by the models based on the structures found for each class. If the objects are described with big data, the approach can be used to transform data into a compact form (model parameters) that preserves the characteristics that are necessary to separate the classes. An approach to solve a problem of clustering sets is proposed. Some examples are given.