Please use this identifier to cite or link to this item:
https://elib.bsu.by/handle/123456789/267593| Title: | К вопросу об оптимальном разделении совокупной выборки при машинном обучении |
| Other Titles: | To the question of optimal division of the full sample during machine learning / V. O. Suvalov |
| Authors: | Сувалов, В. О. |
| Keywords: | ЭБ БГУ::ОБЩЕСТВЕННЫЕ НАУКИ::Экономика и экономические науки |
| Issue Date: | 2021 |
| Publisher: | Минск : БГУ |
| Citation: | Журнал Белорусского государственного университета. Экономика = Journal of the Belarusian State University. Economics. - 2021. - № 1. - С. 37-45 |
| Abstract: | 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. |
| Abstract (in another language): | 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: | https://elib.bsu.by/handle/123456789/267593 |
| ISSN: | 2520-6206 |
| Licence: | info:eu-repo/semantics/openAccess |
| Appears in Collections: | 2021, №1 |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.