A mathematical programming approach for integrated multiple linear regression subset selection and validation

Chung, Seokhyun; Park, Young Woong; Cheong, Taesu

doi:10.1016/j.patcog.2020.107565

Cited by 16 publications

(8 citation statements)

References 28 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Several ML methods were evaluated to tie these properties with anti-CLK4 bioactivities, namely, multiple linear regression (MLR), 36 random forests (RF), 37 extreme gradient boosting (XGBoost), 37,38 probabilistic neural network (PNN), 39 and support vector regression (SVR). 40,41…”

Section: Methodsmentioning

confidence: 99%

Discovery of new Cdc2-like kinase 4 (CLK4) inhibitors via pharmacophore exploration combined with flexible docking-based ligand/receptor contact fingerprints and machine learning

et al. 2022

View full text Add to dashboard Cite

show abstract

Section: Methodsmentioning

confidence: 99%

Discovery of new Cdc2-like kinase 4 (CLK4) inhibitors via pharmacophore exploration combined with flexible docking-based ligand/receptor contact fingerprints and machine learning

et al. 2022

View full text Add to dashboard Cite

show abstract

“…Для решения оптимизационных задач использовался решатель LPSolve IDE на персональном компьютере с 4-ядерным процессором (3100 МГц) и оперативной памятью 4 Гб. Для заданного числа r решалась задача ЧБЛП (3)-( 7), (11) (без ограничений на вклады), задача БЛП (12), ( 7), (11) и задача БЛП (12), (7)…”

Section: результаты исследования и их обсуждениеunclassified

“…В [2] сформулирована задача ОИР на основе скорректированного коэффициента детерминации и информационных критериев Акаике и Шварца, в [3]на основе критерия Мэллоуза, в [4] -на основе критериев среднеквадратичных и абсолютных ошибок, в [5] -на основе критерия ТЕХНИЧЕСКИЕ НАУКИ (1.2.2, 2.3.3, 2.3.4, 2.3.5, 2.5.3, 2.5.5, 2.5.7, 2.5.8) кросс-валидации. В [6] исследуется целостная линейная регрессия, для которой сформулирована задача ОИР с ограничениями на значимость коэффициентов и степень мультиколлинеарности, а в [7] осуществляется так называемая регрессионная диагностика с использованием линейных ограничений на наблюдаемые значения t-критерия Стьюдента. В [8] сформулирована задача ОИР для устранения мультиколлинеарности с помощью факторов «вздутия» дисперсии, в [9] Цель исследования состоит в формализации задачи ОИР для линейной регрессии, оцениваемой с помощью МНК, в виде задачи ЧБЛП с линейными ограничениями на корреляции объясняющих переменных (интеркорреляции).…”

unclassified

Formalization the Subset Selection Process in Linear Regression as a Mixed Integer 0-1 Linear Programming Problem With Constraints on Intercorrelation Coefficients

Bazilevskiy

2023

СНТ (MHT)

View full text Add to dashboard Cite

Статья посвящена исследованию задачи отбора наиболее информативных регрессоров в модели множественной линейной регрессии, оцениваемой с помощью метода наименьших квадратов. Ранее эта задача была формализована в виде задачи частично-булевого линейного программирования. В полученной в результате ее решения линейной регрессии интеркорреляции объясняющих переменных могли быть статистически значимыми, что затрудняло интерпретацию ее оценок из-за мультиколлинеарности. В данной статье для контроля в процессе отбора наиболее информативных регрессоров абсолютных величин интеркорреляций в задачу частично-булевого линейного программирования введены специальные линейные ограничения. В результате сформулирована задача, решение которой приводит к построению линейной регрессии с оптимальным по коэффициенту детерминации числом объясняющих переменных, в которой абсолютные величины интеркорреляций не превосходят заданного числа. Помимо этого знаки оценок линейной регрессии согласуются со знаками соответствующих коэффициентов корреляции, а абсолютные вклады переменных в общую детерминацию не меньше заданного числа. С помощью предложенных линейных ограничений на интеркорреляции сформулированы задачи булевого линейного программирования, позволяющие выделять в корреляционной матрице кластеры слабо и высоко коррелирующих переменных. Проведено успешное тестирование предложенного математического аппарата.

show abstract

“…Thanks to this, the energy consumption of each technological operation is proportional to the value of the entered complex characteristic X, which must be taken into ac count when parameterizing the model. Usually, in linear re gression equations, such a relationship between explanatory variables is shown in the form of a product of these variables, which is fixed by their interaction [11,12]. It is obvious that in the case when the values of a number of parameters of the technological process cannot be measured in the control pro cess, the manifestation of the peculiarities of their change can be reflected by a change in the coefficient at the value Х.…”

Section: Introductionmentioning

confidence: 99%

Parameterization of the statistical model for electrical energy efficiency control

Dreshpak,

Dreshpak

2023

Nauk. visn. nat. hirn. univ.

View full text Add to dashboard Cite

Purpose. Justification of a structural construction and parameters of a regression model for the normalization of specific energy consumption when controlling the production process energy efficiency. Methodology. Analysis of the peculiarities of energy efficiency control of the production process in conditions of frequent and significant changes in specific energy consumption, followed by the determination of the structure and parameters of the regression model. Findings. Based on the presence of frequent and significant changes in the energy efficiency control of the production process, the reasonableness of normalizing the specific energy consumption by using the regression model with a variable structure is substantiated. The actual daily specific energy consumption indicators, obtained during the month to control energy consumption efficiency and build the regression model of the variable structure, are used. The limited possibilities for the formation of voluminous statistical samples with homogeneous data, and the complexity and laboriousness of measuring a significant number of influence parameters make it necessary to reduce the number of explanatory variables of the regression model. The feasibility of using the value of the output volume, as a comprehensive characteristic of the level of energy consumption, is proven. The acceptability of the application of linear and non-linear univariate regression dependencies is determined. The nonlinear model, as a result of reducing the linear model of energy consumption to a nonlinear form characteristic of the values of its specific consumption, is obtained. Originality. For the first time, the use of the regression model of the variable structure for the normalization of specific energy consumption in conditions of frequent and significant changes in the energy efficiency of the production process, which helps to increase the accuracy of their determination, is proposed. The need to reduce the number of explanatory variables of the regression model is proven. The expediency of using linear or non-linear one-factor regression dependencies in the given conditions of energy efficiency control, which helps to simplify the procedure of registering the initial data for their construction, is confirmed. Practical value. The scientific results of the performed studies allow for taking into account the peculiarities of the production conditions when determining the structure and parameters of the regression model for normalizing the specific energy consumption. This contributes to increasing the accuracy and energy efficiency control of the production process.

show abstract

A mathematical programming approach for integrated multiple linear regression subset selection and validation

Cited by 16 publications

References 28 publications

Discovery of new Cdc2-like kinase 4 (CLK4) inhibitors via pharmacophore exploration combined with flexible docking-based ligand/receptor contact fingerprints and machine learning

Discovery of new Cdc2-like kinase 4 (CLK4) inhibitors via pharmacophore exploration combined with flexible docking-based ligand/receptor contact fingerprints and machine learning

Formalization the Subset Selection Process in Linear Regression as a Mixed Integer 0-1 Linear Programming Problem With Constraints on Intercorrelation Coefficients

Parameterization of the statistical model for electrical energy efficiency control

Contact Info

Product

Resources

About