Details
| Title | Deep gradient boosting for regression problems = Глубокий градиентный бустинг для решения задач регрессии // Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. – 2021. – Vol. 14, № 3. — С. 7-19 |
|---|---|
| Creators | Konstantinov A. V. |
| Imprint | 2021 |
| Collection | Общая коллекция |
| Subjects | Радиоэлектроника ; Искусственный интеллект. Экспертные системы ; machine learning ; boosting ; deep boosting ; deep gradient boosting ; neural networks ; decision trees (computer science) ; regression problems (computer science) ; машинное обучение ; бустинг ; глубокий бустинг ; глубокий градиентный бустинг ; нейронные сети ; деревья решений (информатика) ; задачи регрессии (информатика) |
| UDC | 004.8 |
| LBC | 32.813 |
| Document type | Article, report |
| Language | English |
| DOI | 10.18721/JCSTCS.14301 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Record key | RU\SPSTU\edoc\68037 |
| Record create date | 3/29/2022 |
Microphones manufactured based on MEMS technology have been significantly applied in medicine. However, medical application requires more sensitive and low-frequency MEMS microphones. To achieve this goal capacitive microphones are the most appropriate as they have a low level of noise and high sensitivity compared to piezoelectric and piezoresistive microphones. The structure and materials enable to change electric parameters of microphones for better. To increase sensitivity it is possible to find a membrane structure when internal mechanical resistivity is minimal. When MEMS structures are ideally found, a frequencies range can be expanded. Membrane flexibility can be expanded by means of applying meshes at the edges, corrugations and springs.
Глубокий лес является новым подходом машинного обучения, сочетающим преимущества глубоких нейронных сетей и деревьев решений. Он использует обучение представлениям и позволяет строить точные композиции при условии небольшого количества обучающих данных. Существенный недостаток данного подхода – невозможность напрямую применить его к задачам восстановления регрессии. Во-первых, требуется определить способ генерирования набора признаков. Во-вторых, при замене классификационных моделей на регрессионные, множество значений модели Глубокого леса становится ограниченным множеством значений последнего слоя. Для устранения недостатков предложена новая модель Глубокого градиентного бустинга. Основная идея состоит в итеративном улучшении предсказания, с использованием нового пространства признаков. Генерирование признаков производится на основании предсказаний ранее построенных моделей, путём трансформации их к распределению вероятностей. Для снижения времени построения модели и переобучения предложен механизм раннего отсева точек. Эксперименты показывают эффективность предложенного алгоритма по сравнению со многими существующими методами решения задачи регрессии.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
Access count: 475
Last 30 days: 8
