Details

В дипломе рассматривается анализ влияния различных факторов измерения измеренных разными приборами, на некоторые выходные переменные с использованием двух разных наборов данных. Для анализа используются статистические методы, включая корреляционный анализ (линейный и нелинейный) и анализ влияния с использованием оценки взаимной информации, в то время как методы машинного обучения применяются для прогнозирования выходные переменные в сложных состояниях системы. В данном исследовании рассматривается проблема ограниченного объема выборки, которая существенно уступает размерности входных признаков. Для преодоления этого ограничения предлагается решение, сочетающее статистический анализ влияния переменных с традиционными методами машинного обучения. Цель работы — разработка эффективных методов прогнозирования выходные переменные путем комбинирования методов статистического анализа и машинного обучения на наборах разных данных и разных параметрах.

The thesis examines the analysis of the influence of various measured factors, obtained from different instruments, on certain output variables using two distinct datasets. Statistical methods, including linear and nonlinear correlation analysis and mutual information-based impact assessment, are employed for the analysis, while machine learning methods are applied to predict output variables in complex system states. The study addresses the challenge of limited sample size, which is significantly smaller than the dimensionality of input features. To overcome this limitation, a solution is proposed that integrates statistical analysis of variable influence with traditional machine learning methods. The objective of the research is to develop effective methods for predicting output variables by combining statistical analysis and machine learning techniques across different datasets and parameter settings.