Adaptive quantile regression

Λεπτομέρειες βιβλιογραφικής εγγραφής
Τίτλος:	Adaptive quantile regression
Πηγή:	МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. 12:16-16
Στοιχεία εκδότη:	Voronezh Institute of High Technologies, 2024.
Έτος έκδοσης:	2024
Θεματικοί όροι:	градиентный спуск, квантильная регрессия, quantile regression, adaptive algorithm, numerical methods, mathematical modeling, численные методы, адаптивный алгоритм, gradient descent, математическое моделирование
Περιγραφή:	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.
Τύπος εγγράφου:	Article
Γλώσσα:	Russian
ISSN:	2310-6018
DOI:	10.26102/2310-6018/2024.44.1.016
Αριθμός Καταχώρησης:	edsair.doi...........8ef4c87dbb3b6491e9f7f00c652021c2
Βάση Δεδομένων:	OpenAIRE

FullText	Text: Availability: 0
Header	DbId: edsair DbLabel: OpenAIRE An: edsair.doi...........8ef4c87dbb3b6491e9f7f00c652021c2 RelevancyScore: 864 AccessLevel: 3 PubType: Academic Journal PubTypeId: academicJournal PreciseRelevancyScore: 864.417358398438
IllustrationInfo
Items	– Name: Title Label: Title Group: Ti Data: Adaptive quantile regression – Name: TitleSource Label: Source Group: Src Data: <i>МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ</i>. 12:16-16 – Name: Publisher Label: Publisher Information Group: PubInfo Data: Voronezh Institute of High Technologies, 2024. – Name: DatePubCY Label: Publication Year Group: Date Data: 2024 – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22градиентный+спуск%22">градиентный спуск</searchLink><br /><searchLink fieldCode="DE" term="%22квантильная+регрессия%22">квантильная регрессия</searchLink><br /><searchLink fieldCode="DE" term="%22quantile+regression%22">quantile regression</searchLink><br /><searchLink fieldCode="DE" term="%22adaptive+algorithm%22">adaptive algorithm</searchLink><br /><searchLink fieldCode="DE" term="%22numerical+methods%22">numerical methods</searchLink><br /><searchLink fieldCode="DE" term="%22mathematical+modeling%22">mathematical modeling</searchLink><br /><searchLink fieldCode="DE" term="%22численные+методы%22">численные методы</searchLink><br /><searchLink fieldCode="DE" term="%22адаптивный+алгоритм%22">адаптивный алгоритм</searchLink><br /><searchLink fieldCode="DE" term="%22gradient+descent%22">gradient descent</searchLink><br /><searchLink fieldCode="DE" term="%22математическое+моделирование%22">математическое моделирование</searchLink> – Name: Abstract Label: Description Group: Ab Data: 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. – Name: TypeDocument Label: Document Type Group: TypDoc Data: Article – Name: Language Label: Language Group: Lang Data: Russian – Name: ISSN Label: ISSN Group: ISSN Data: 2310-6018 – Name: DOI Label: DOI Group: ID Data: 10.26102/2310-6018/2024.44.1.016 – Name: AN Label: Accession Number Group: ID Data: edsair.doi...........8ef4c87dbb3b6491e9f7f00c652021c2
PLink	https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsair&AN=edsair.doi...........8ef4c87dbb3b6491e9f7f00c652021c2
RecordInfo	BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.26102/2310-6018/2024.44.1.016 Languages: – Text: Russian PhysicalDescription: Pagination: PageCount: 1 StartPage: 16 Subjects: – SubjectFull: градиентный спуск Type: general – SubjectFull: квантильная регрессия Type: general – SubjectFull: quantile regression Type: general – SubjectFull: adaptive algorithm Type: general – SubjectFull: numerical methods Type: general – SubjectFull: mathematical modeling Type: general – SubjectFull: численные методы Type: general – SubjectFull: адаптивный алгоритм Type: general – SubjectFull: gradient descent Type: general – SubjectFull: математическое моделирование Type: general Titles: – TitleFull: Adaptive quantile regression Type: main BibRelationships: IsPartOfRelationships: – BibEntity: Dates: – D: 18 M: 01 Type: published Y: 2024 Identifiers: – Type: issn-print Value: 23106018 – Type: issn-locals Value: edsair – Type: issn-locals Value: edsairFT Numbering: – Type: volume Value: 12 Titles: – TitleFull: МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ Type: main
ResultId	1