EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

ОПТИМІЗАЦІЯ СТРУКТУРИ БАГАТОВИМІРНОЇ ВИБІРКИ З ВИКОРИСТАННЯМ МАТЕМАТИЧНИХ МОДЕЛЕЙ

Т. Є. Романенко, Ю. В. Новікова, Я. О. Остапенко

Таврійський науковий вісник. Серія: Технічні науки · 28.05.2026 · (3) · 186-193

DOI: 10.32782/tnv-tech.2026.3.19 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Таврійський науковий вісник. Серія: Технічні науки, online erschienen am 28.05.2026. Verfasst von Т. Є. Романенко und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

У статті було розглянуто підходи до оптимізації структури багатовимірних даних на основі методів зменшення розмірності та вибору ознак з використанням математичних моделей. Проведено аналіз сучасних методів: у тому числі аналіз головних компонент (ГПК) як класичного методу зменшення розмірності даних, а також методи вибору ознак для виключення нерелевантних змінних. У роботі використано підходи до оптимізації параметрів моделей для великих наборів даних. Основну увагу зосереджено на тому, щоб поєднати точність моделі, інформативність ознак і зниження обчислювальних витрат. Також, було представлено математичну модель, яка поєднує критерії максимізації дисперсії та мінімізації кількості ознак. Удосконалено методику вибору підмножини ознак за допомогою оптимізації з урахуванням обмежень на обсяг підмножини та використання ГПК для досягнення заданого порогу збереженої дисперсії. Обґрунтовано, що в умовах зростання кількості змінних і ускладнення структури даних ключового значення набуває проблема формування такої вибірки, яка зберігає основний інформаційний зміст, але не містить надлишкових, слабкоінформативних або шумових ознак. Показано, що поєднання процедур попереднього відбору ознак, побудови головних компонент і подальшої параметричної оптимізації дозволяє досягти компромісу між компактністю опису даних та якістю їх подальшого аналізу. На ілюстративному прикладі показано проекцію двовимірної вибірки на першу головну компоненту як приклад зменшення розмірності. Було постановлено, що такий підхід сприяє підвищенню інтерпретованості моделі, зменшенню складності обробки даних і покращенню якості результатів у задачах класифікації та прогнозування та машинного навчання. Результати, які були отримані у дослідженні можуть покращити одразу кілька аспектів: покращити процес інтерпретації, підвищити показники продуктивності у галузі машинного навчання при роботі з високовимірними даними.

Zitieren

APA

Романенко, Т. Є., Новікова, Ю. В., & Остапенко, Я. О. (2026). ОПТИМІЗАЦІЯ СТРУКТУРИ БАГАТОВИМІРНОЇ ВИБІРКИ З ВИКОРИСТАННЯМ МАТЕМАТИЧНИХ МОДЕЛЕЙ. Таврійський науковий вісник. Серія: Технічні науки, 186-193. https://doi.org/10.32782/tnv-tech.2026.3.19

Vancouver

Романенко ТЄ, Новікова ЮВ, Остапенко ЯО. ОПТИМІЗАЦІЯ СТРУКТУРИ БАГАТОВИМІРНОЇ ВИБІРКИ З ВИКОРИСТАННЯМ МАТЕМАТИЧНИХ МОДЕЛЕЙ. Таврійський науковий вісник. Серія: Технічні науки. 2026:186-193. doi:10.32782/tnv-tech.2026.3.19

BibTeX
@article{2026,
  author = {Романенко, Т. Є. and Новікова, Ю. В. and Остапенко, Я. О.},
  title = {ОПТИМІЗАЦІЯ СТРУКТУРИ БАГАТОВИМІРНОЇ ВИБІРКИ З ВИКОРИСТАННЯМ МАТЕМАТИЧНИХ МОДЕЛЕЙ},
  journal = {Таврійський науковий вісник. Серія: Технічні науки},
  year = {2026},
  number = {3},
  pages = {186--193},
  doi = {10.32782/tnv-tech.2026.3.19}
}
Kostenlos starten →