Problems of Training Set’s Formation in Machine Learning Tasks

Кафтанников, И. Л.; Парасич, Андрей Викторович

doi:10.14529/ctcr160302

Cited by 13 publications

(3 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Всего для моделирования выбраны 4000 точек учета. Там, где это необходимо обучающая и тестовая выборки разделены в соотношении 70 и 30% [8].…”

Section: исследуемые данныеunclassified

Сравнение Эффективности Алгоритмов Машинного Обучения На Примере Прогнозирования Среднемесячного Потребления Электроэнергии Интервальных Приборов Учета Потребителей

Коржавых

2024

RR. IT

View full text Add to dashboard Cite

Поиск и снижение потерь электроэнергии – одно из ключевых направлений деятельности сетевых организаций для улучшения финансовых результатов. Прогнозирование потребления электроэнергии на основе большого количества критериев и сравнение с фактическими данными является преимущественным способом обнаружения потерь. Однако, данный процесс требует высокой доли автоматизации. Поэтому, для решения этой задачи в настоящей работе рассмотрено применение трех алгоритмов машинного обучения, а также выполнено сравнение их эффективности. Автором сформирована обучающая выборка из базы данных Валуйского района электрических сетей на основе данных приборов учета, входящих в систему АИИСКУЭ, а также проведены эксперименты по реализации на ней следующий алгоритмов: k-ближайших соседей, линейной регрессии и случайного леса. Для сравнения полученных моделей автором были использованы такие показатели эффективности как среднеквадратичная ошибка (MSE), абсолютная средняя ошибка (MAE) и коэффициент детерминации (R^2). Результаты эксперимента показали наибольшую эффективность метода случайного леса в сравнении с остальными рассматриваемыми алгоритмами.

show abstract

Section: исследуемые данныеunclassified

Сравнение Эффективности Алгоритмов Машинного Обучения На Примере Прогнозирования Среднемесячного Потребления Электроэнергии Интервальных Приборов Учета Потребителей

Коржавых

2024

RR. IT

View full text Add to dashboard Cite

show abstract

“…Отметим, что в реальных задачах набор истинных меток 𝑠𝑠𝑙𝑙𝑡𝑡 𝑛𝑛 � 𝑡𝑡𝑡𝑡𝑡𝑡𝑙𝑙 , ассоциированный с поступающими на вход неразмеченными ЭД, часто неизвестен -или становится известен спустя продолжительное время наблюдений, что неприемлемо для задач ИБ. Поэтому для оценки качества классификации алгоритма обычно предполагают разделение известной, размеченной, выборки ЭД DNM на три подмножества: обучающую, валидационную и тестовую [19].…”

Section: формализация задачи многозначной классификации компьютерных ...unclassified

Multivalued Classification of Computer Attacks Using Artificial Neural Networks with Multiple Outputs

Shelukhin,

Rakovsky

2023

jour

View full text Add to dashboard Cite

Modern computer networks (CN), having a complex and often heterogeneous structure, generate large volumes of multi-dimensional multi-label data. Accounting for information about multi-label experimental data (ED) can improve the efficiency of solving a number of information security problems: from CN profiling to detecting and preventing computer attacks on CN. The aim of the work is to develop a multi-label artificial neural network (ANN) architecture for detecting and classifying computer attacks in multi-label ED, and its comparative analysis with known analogues in terms of binary metrics for assessing the quality of classification. A formalization of ANN in terms of matrix algebra is proposed, which allows taking into account the case of multi-label classification and the new architecture of ANN with multiple output using the proposed formalization. The advantage of the proposed formalization is the conciseness of a number of entries associated with the ANN operating mode and learning mode. Proposed architecture allows solving the problems of detecting and classifying multi-label computer attacks, on average, 5% more efficiently than known analogues. The observed gain is due to taking into account multi-label patterns between class labels at the training stage through the use of a common first layer. The advantages of the proposed ANN architecture are scalability to any number of class labels and fast convergence.

show abstract

“…Another important step at the stage of data collection, analysis and preparation is selecting the principle of dividing the data into training, validation and testing sets [8], [9]. It is generally accepted that the accuracy of the algorithm operation largely depends on the training set volume.…”

Section: Sampling Principlesmentioning

confidence: 99%

Inappropriate machine learning application in real power industry cases

Khalyasmaa

Matrenin

Eroshenko

2022

IJECE

View full text Add to dashboard Cite

<span>Global digital transformation of the energy sector has led to the emergence of multiple digital platform solutions, the implementation of which have revealed new problems associated with continuous growth of data volumes requiring new approaches to their processing and analysis. This article is devoted to the improper application of machine learning approaches and flawed interpretation of their output at various stages of decision support systems development: data collection; model development, training and testing as well as industrial implementation. As a real industrial case study, the article examines the power generation forecasting problem of photovoltaic power plants. The authors supplement the revealed problems with the corresponding recommendation for industrial specialists and software developers.</span>

show abstract

Problems of Training Set’s Formation in Machine Learning Tasks

Cited by 13 publications

References 0 publications

Multivalued Classification of Computer Attacks Using Artificial Neural Networks with Multiple Outputs

Inappropriate machine learning application in real power industry cases

Contact Info

Product

Resources

About