Bibliographic Details
| Title: |
Adaptive quantile regression |
| Source: |
МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. 12:16-16 |
| Publisher Information: |
Voronezh Institute of High Technologies, 2024. |
| Publication Year: |
2024 |
| Subject Terms: |
градиентный спуск, квантильная регрессия, quantile regression, adaptive algorithm, numerical methods, mathematical modeling, численные методы, адаптивный алгоритм, gradient descent, математическое моделирование |
| Description: |
Актуальность темы исследования обусловлена растущей потребностью в быстрых и точных инструментах построения математических моделей. В данной работе рассматриваются подходы к построению адаптивной квантильной регрессии, так как выбор оптимального квантиля в процессе обучения может сэкономить большое количество времени исследователя. Правильный выбор квантиля может существенно улучшить показатели модели на тестовых наборах данных и, как следствие, позволит получать более надежные прогнозы при реальном использовании такой математической модели. Разработанный подход представляет собой комбинацию модифицированной квантильной регрессии и градиентного спуска, что улучшает адаптацию модели к различным данным. В работе приведено подробное описание разрабатываемого алгоритма, сравнение точности работы предложенной модели с традиционной квантильной регрессией и градиентным спуском, и их комбинациями, а также анализируется время обучения моделей, включая количество эпох обучения. Эксперименты показывают, что адаптивная квантильная регрессия демонстрирует повышенную точность при сокращении времени обучения. Результаты подчеркивают эффективность этого метода в области анализа данных и прогнозирования, открывая новые перспективы для более эффективных и быстрых моделей машинного обучения. The relevance of the research is due to the growing need for fast and accurate tools for building mathematical models. This paper discusses approaches to building adaptive quantile regression because selecting the optimal quantile during the training process can save a large amount of researcher's time. The correct choice of quantile can significantly improve the performance of the model on test datasets and, as a consequence, obtain more reliable predictions when such a mathematical model is actually used. The developed approach is a combination of modified quantile regression and gradient descent, which improves the adaptation of the model to different data. A detailed description of the developed algorithm is given. The paper also presents a comparison of the performance accuracy of the proposed model with traditional quantile regression and gradient descent along with their combinations. It also analyzes the training time of the models, including the number of training epochs. Experiments show that adaptive quantile regression exhibits improved accuracy with reduced training time. The results emphasize the effectiveness of this method in data analysis and prediction, opening new perspectives for more efficient and faster machine learning models. |
| Document Type: |
Article |
| Language: |
Russian |
| ISSN: |
2310-6018 |
| DOI: |
10.26102/2310-6018/2024.44.1.016 |
| Accession Number: |
edsair.doi...........8ef4c87dbb3b6491e9f7f00c652021c2 |
| Database: |
OpenAIRE |