Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/267593| Заглавие документа: | К вопросу об оптимальном разделении совокупной выборки при машинном обучении |
| Другое заглавие: | To the question of optimal division of the full sample during machine learning / V. O. Suvalov |
| Авторы: | Сувалов, В. О. |
| Тема: | ЭБ БГУ::ОБЩЕСТВЕННЫЕ НАУКИ::Экономика и экономические науки |
| Дата публикации: | 2021 |
| Издатель: | Минск : БГУ |
| Библиографическое описание источника: | Журнал Белорусского государственного университета. Экономика = Journal of the Belarusian State University. Economics. - 2021. - № 1. - С. 37-45 |
| Аннотация: | Изучаются современные подходы к разделению массива данных на тренировочную, контрольную и проверочную выборки, применяемые в ходе машинного обучения для целей прогнозирования. Рассматривается актуальный вопрос выбора подходящего разделения всей имеющейся совокупности данных на названные выборки. Анализируются результаты работы программного алгоритма, разработанного для поиска оптимального разделения массива данных на отдельные выборки в целях машинного обучения прогнозирующих моделей. Дается рекомендация отделять 80 % совокупной выборки, чтобы минимизировать ошибки прогноза разрабатываемых моделей. |
| Аннотация (на другом языке): | The article is devoted to modern approaches to dividing of a data set into training, control and test samples, used in the process of machine learning for forecasting purposes. The actual issue of choosing the optimal division of the entire available set of data into named above samples is considered. The author analyses the results of the operation of a software algorithm developed to find the optimal division of a data set into isolated samples for the purposes of machine learning of predictive models. A recommendation to separate 80 % of the total sample to minimise the forecast error of the developed models is given. |
| URI документа: | https://elib.bsu.by/handle/123456789/267593 |
| ISSN: | 2520-6206 |
| Лицензия: | info:eu-repo/semantics/openAccess |
| Располагается в коллекциях: | 2021, №1 |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.