Analyzing the relationships between sets of numbers by constructing decision trees

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The paper considers the problem: how to analyze statistical relationships between sets of natural numbers. It is assumed that the sets are divided into named ranges. An example of such sets: numerical values of psychological indicators obtained during focus group testing. The analysis is proposed to be performed using decision trees. The purpose of the work is to propose a mathematical tool that allows using decision trees to test hypotheses about the presence or absence of relationships between two or more sets of numbers. The sets are ordered in ascending order and then divided into ranges. A new approach to the analysis of statistical dependencies between sets of numerical values of experimental indicators is proposed. The advantages of the new approach are described in comparison with what was presented earlier in the framework of the development of mathematical and algorithmic software for the analysis of quantitative test results.

About the authors

V. Y. Leonov

FRC CSC RAS

Author for correspondence.
Email: m.nor@ro.ru
Moscow, Russia

M. M. Norokesku

FRC CSC RAS

Email: m.nor@ro.ru
Moscow, Russia

References

  1. Проаспэт А.Г., Фёдорова А.Е. Разработка алгоритмического обеспечения анализа срединных значений показателей агрессивности // Изв. Тульск. гос. ун-та. Технические науки. ISSN 2071-6168. Тула: ТулГУ, 2020. С. 167–172.
  2. Проаспэт А.Г., Кравчени М.С., Пахомов Д.А. Оптимизация методик статистического анализа данных при исследовании показателей агрессивности // Изв. Тульск. гос. ун-та. Технические науки. ISSN 2071-6168. Тула: ТулГУ, 2020. С. 187–191.
  3. Проаспэт А.Г., Фёдорова А.Е. Разработка алгоритмического обеспечения анализа корреляций между показателями при проведении психологических исследований // Изв. Тульск. гос. ун-та. Технические науки. ISSN 2071-6168. Тула: ТулГУ, 2020. С. 172–178.
  4. Проаспэт А.Г., Фёдорова А.Е. Разработка математического обеспечения анализа корреляций между показателями при проведении психологических исследований // Изв. Тульск. гос. ун-та. Технические науки. ISSN 2071-6168. Тула: ТулГУ, 2020. С. 178–186.
  5. Сидняев Н. И. Теория планирования эксперимента и анализ статистических данных: учебник и практикум для вузов. 2-е изд., перераб. и доп. М.: Юрайт, 2023. 495 с.
  6. Статистическая обработка результатов исследования [электронный ресурс] // Ярославский гос. педагогический ун-т им. К.Д. Ушинского. URL: http://cito-web.yspu.org/link1/metod/met125/node23.html (дата обращения: 17.04.2020).
  7. Точный критерий Фишера [электронный ресурс] // Медицинская статистика. Библиотека постов MEDSTATISTIC об анализе медицинских данных. URL: https://medstatistic.ru/methods/methods5.html (дата обращения: 28.03.2023).
  8. Показатели, характеризующие качество корреляционного уравнения [электронный ресурс] // Кубанский гос. ун-т. Режим доступа: https://studfile.net/preview/5964733/page:20/ (дата обращения: 30.03.2023).
  9. Проверка качества многофакторных регрессионных моделей. Коэффициент детерминации R2. Скорректированный R2. Проверка гипотез с помощью t-статистик и F-статистик [электронный ресурс] // Теория по эконометрике. URL: https://einsteins.ru/subjects/ekonometrika/teoriya-ekonometrika/mnogofaktornyx-regressionnyx (дата обращения: 17.04.2020).
  10. Дисперсионный анализ [электронный ресурс] // bono esse. Служить добру. записная книжка врача. URL: http://bono-esse.ru/blizzard/Medstat/Statan/stat_da.html (дата обращения: 17.04.2020).
  11. Обнаружение аномалий в данных сетевого мониторинга методами статистики [электронный ресурс] // Сообщество IT-специалистов. URL: https://habr.com/ru/post/344762/ (дата обращения: 16.04.2020).
  12. Черткова Е.А. Статистика. Автоматизация обработки информации: учеб. пособие для среднего профессионального образования. 2-е изд., испр. и доп. М.: Юрайт, 2023. 195 с.
  13. Паронджанов В. Д. Алгоритмические языки и программирование: ДРАКОН: учеб. пособие для вузов. М.: Юрайт, 2021. 436 с.
  14. Проаспэт А.Г. Методика анализа корреляций результатов исследования агрессивности // Сб. матер. X ежегодной научн. конф. аспирантов МГОТУ. М.: Научный консультант, 2020. С. 100–110.
  15. Норокеску М.М. Комбинирование и оптимизация методик анализа упорядоченного набора чисел // Изв. Тульск. гос. ун-та. Технические науки. ISSN 2071-6168. Тула: ТулГУ, 2023. С. 177–180.
  16. Донской В.И. Извлечение оптимизационных моделей из данных: подход на основе решающих деревьев и лесов // ТВИМ. 2017. Т. 4. № 37. URL: https://cyberleninka.ru/article/n/izvlechenie-optimizatsionnyh-modeley-iz-dannyh-podhod-na-osnove-reshayuschih-dereviev-i-lesov (дата обращения: 12.01.2025).
  17. Колмогорова С. С., Голубятникова Н. О. О применении регуляризации структуры больших данных для распределенной системы сбора и прогнозирования параметров объектов наблюдений // Вестн. ВГТУ. 2022. № 5. URL: https://cyberleninka.ru/article/n/o-primenenii-regulyarizatsii-struktury-bolshih-dannyh-dlya-raspredelennoy-sistemy-sbora-i-prognozirovaniya-parametrov-obektov (дата обращения: 12.01.2025).
  18. Хашпер Б.Л., Кантор О.Г. Применение методов случайного поиска и методов машинного обучения к задаче оптимизации в многомерном пространстве // Информационные и математические технологии в науке и управлении. 2023. Т. 3. № 31. URL: https://cyberleninka.ru/article/n/primenenie-metodov-sluchaynogo-poiska-i-metodov-mashinnogo-obucheniya-k-zadache-optimizatsii-v-mnogomernom-prostranstve (дата обращения: 12.01.2025).
  19. Среднее арифметическое, размах, мода и медиана [электронный ресурс] // Calcs.su. URL: https://calcs.su/html/math/grade7/srednee-arifmeticheskoe.html (дата обращения: 16.04.2020).
  20. Вариация, размах, межквартильный размах, среднее линейное отклонение [электронный ресурс] // Статистический анализ в MS Excel. URL: https://statanaliz.info/statistica/opisanie-dannyx/variatsiya-razmakh-srednee-linejnoe-otklonenie/ (дата обращения: 16.04.2020).
  21. Носков С.И., Кириллова Т.К., Ведерников В.С. Применение метода антиробастного оценивания для вычисления оценок параметров однородной формы вложенной кусочно-линейной регрессии // Изв. Тульск. гос. ун-та. Технические науки. 2024. № 7. URL: https://cyberleninka.ru/article/n/primenenie-metoda-antirobastnogo-otsenivaniya-dlya-vychisleniya-otsenok-parametrov-odnorodnoy-formy-vlozhennoy-kusochno-lineynoy (дата обращения: 12.01.2025).
  22. Синицин Ф. Обучение древесных моделей для классификации и регрессии. Эффективное построение решающих деревьев. 2.3. Решающие деревья [электронный ресурс] // Учебник по машинному обучению. URL: https://education.yandex.ru/handbook/ml/article/reshayushchiye-derevya (дата обращения: 01.12.2024).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».