Парная кусочно-линейная регрессионная модель с фиксированными узлами

Обложка

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В работе представлен метод построения парной регрессионной модели в классе кусочно-линейных функций с фиксированными узлами. Вводится понятие линейного разбиения корреляционного поля, его частичных участков и его узлов. С помощью данного разбиения корреляционного поля определяется класс кусочно-линейных функций с фиксированными узлами. Линейное разбиение выявляется в ходе визуального анализа корреляционного поля. С помощью метода наименьших квадратов составляется система линейных уравнений для нахождения точечных оценок параметров аппроксимирующей функции. Исключением двух неизвестных угловых коэффициентов эта система приводится к трехдиагональной системе уравнений, неизвестными которой являются узловые значения аппроксимирующей функции. Трехдиагональная система решается методом прогонки. Сконструирован алгоритм для демонстрации работы метода. Его исходными данными являются массивы значений объясняющей и зависимой переменных, а также массив номеров правых концов интервалов, определяющих узлы. Из массива значений объясняющей переменной и массива номеров правых концов интервалов строится массив фиксированных узлов. Далее строится массив точечных оценок параметров аппроксимирующей функции. Данный алгоритм реализован на языке Python в виде пользовательских функций.

Полный текст

Доступ закрыт

Об авторах

К. М. Зубрилин

Филиал ФГБОУ ВО «Керченский государственный морской технологический университет»

Автор, ответственный за переписку.
Email: kzubrilin@yandex.ru
Россия, Феодосия

Список литературы

  1. Боровской И. Г., Костелей Я. В. (2017). Прогнозная модель финансовых рядов на основе кусочно-линейной аппроксимации // Доклады ТУСУРа. Т. 20. № 2. С. 73–75. [Borovskoy I. G., Kosteley Y. V. (2017). Use of piecewise-linear approximation to identify trends in the financial market. Proceedings of TUSUR University, 20, 2, 73–75 (in Russian).]
  2. Иванова Н. К., Лебедева С. А., Носков С. И. (2016). Идентификация параметров некоторых негладких регрессий // Информационные технологии и проблемы математического моделирования в управлении сложными системами. № 17. С. 107–110. [Ivanova N. K., Lebedeva S. A., Noskov S. I. (2016). Identification of parameters of some nonsmooth regressions. Information Technologies and Problems of Mathematical Modeling in the Management of Complex Systems in the Management of Complex Systems, 7, 107–110 (in Russian).]
  3. Ильин В. П., Кузнецов Ю. И. (1985). Трехдиагональные матрицы и их приложения. Москва: Наука. [Ilyin V. P., Kuznetsov Yu.I. (1985). Tridiagonal matrices and their applications. Moscow: Nauka (in Russian).]
  4. Носков С. И. (2013). Оценивание параметров аппроксимирующей функции с постоянными пропорциями // Современные технологии. Системный анализ. Моделирование. № 2. С. 135–136. [Noskov S. I. (2013). Estimation of parameters of the approximating function with constant proportions. Modern Technologies. System Analysis. Modeling, 2, 135–136 (in Russian).]
  5. Носков С. И. (2023). Подход к формализации вложенной кусочно-линейной регрессии // Международный журнал гуманитарных и естественных наук. № 1–2 (76). С. 218–220. [Noskov S. I. (2023). Approach to formalizing nested piece-linear regression. International Journal of Humanities and Natural Sciences, 1–2 (76), 218–220 (in Russian).]
  6. Носков С. И., Лоншаков Р. В. (2008). Идентификация параметров кусочно-линейной регрессии // Информационные технологии и проблемы математического моделирования в управлении сложными системами. № 6. С. 63–64. [Noskov S. I., Lonshakov R. V. (2008). Identification of parameters of piecewise linear regression. Information Technologies and Problems of Mathematical Modeling in the Management of Complex Systems, 6, 63–64 (in Russian).]
  7. Носков С. И., Хоняков А. А. (2019). Программный комплекс построения некоторых типов кусочно-линейных регрессий // Информационные технологии и математическое моделирование в управлении сложными системами. № 3. С. 47–55. [Noskov S. I., Khonyakov A. A. (2019). A software package for constructing some types of piecewise linear regressions. Information Technologies and Mathematical Modeling in the Management of Complex Systems, 3, 47–55 (in Russian).]

© Российская академия наук, 2024

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».