Машинное обучение для последовательного тестирования гипотез: дипломная работа / Даниил Дмитриевич Домнин; БГУ, Факультет прикладной математики и информатики, Кафедра дискретной математики и алгоритмики; науч. рук. Молочко И. П.

Abstract

РЕФЕРАТ Дипломная работа: 55 с., 12 рис., 2 табл., 12 источников, 0 прил. Ключевые слова: ПОСЛЕДОВАТЕЛЬНОЕ ТЕСТИРОВАНИЕ ГИПО- ТЕЗ, КОВАРИАТНАЯ КОРРЕКЦИЯ, SPRT, CUPED, МАШИННОЕ ОБУ- ЧЕНИЕ. Объект исследования: Процедуры последовательного тестирования статистических гипотез. Цель исследования: Разработка и исследование метода повышения эффективности последовательного тестирования гипотез за счет ковариатной коррекции на основе моделей машинного обучения для ускорения обнаружения статистически значимых эффектов при строгом контроле ошибок первого рода. Методы исследования: Теоретический анализ, разработка алгоритма, моделирование и вычислительные эксперименты. Полученные результаты и их новизна: Разработан метод ковариат- ной коррекции на основе ML-моделей для последовательного тестирования. Экспериментально подтверждено значимое сокращение среднего числа наблю- дений при контроле ошибки первого рода. Эффективность зависит от качества ML-модели; нелинейные модели эффективнее при сложных зависимостях. Но- визна – в сочетании однократного обучения ML-модели с анализом остатков в последовательных процедурах. Область возможного практического применения: Повышение эффективности онлайн-экспериментов в технологических компаниях, интернет- маркетинге и других сферах, применяющих последовательный анализ данных. Автор работы подтверждает, что приведенный в ней расчетно-аналити- ческий материал правильно и объективно отражает сущность исследованного метода и полученные результаты, а теоретические и методологические поло- жения основаны на достоверных источниках.