Использование методов машинного обучения для оценки инвестиционной деятельности различных регионов России
Кричевский М.Л.1, Мартынова Ю.А.1
1 Санкт-Петербургский государственный университет аэрокосмического приборостроения, Россия, Санкт-Петербург
Скачать PDF | Загрузок: 21 | Цитирований: 6
Статья в журнале
Вопросы инновационной экономики (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 9, Номер 4 (Октябрь-Декабрь 2019)
Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=42555591
Цитирований: 6 по состоянию на 30.01.2024
Аннотация:
Приведены результаты применения методов машинного обучения, пригодных для оценивания инвестиционной деятельности различных регионов России. Базой данных, использованной в работе, являлся отчет Росстата за 2018 г., в котором содержатся сведения об инвестиционной активности всех российских регионов. Решение задачи доведено до получения информации о классе, к которому относится тот или иной регион. Примененные в работе алгоритмы машинного обучения были взяты из программного продукта MatLab 2018b. В результате проведенного исследования для решения поставленной задачи выбраны лучшие методы по точности классификации, с помощью которых можно судить о деятельности регионов России в области инвестиций. Показано использование полученных результатов для формирования оценки принадлежности нового наблюдения к конкретной категории.
Ключевые слова: инвестиционная активность, машинное обучение, кластерный анализ, методы классификации, определение класса регионов
JEL-классификация: С45, С65, D81
Источники:
2. Мильская Е.А., Бычкова А.В. Анализ и оценка потенциала инновационно-инвестиционной деятельности экономических субъектов (на примере Северо-Западного федерального округа) // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки. – 2017. – № 2. – doi: 10.18721/JE.10204 .
Инвестиционная деятельность в России: условия, факторы, тенденции. - М.: Федеральная служба государственной статистики, 2018.
Alpaydin E. Introduction to machine learning. Massachusetts Institute of Technology. , 2010. – 579 с.
Daumé H. A Course in Machine Learning. , 2012. – 189 с.
Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. - New York, Cambridge University Press, 2014. – 449 с.
7. Chandrinos S.K., Sakkas G., Lagaros N.D. AIRMS: A risk management tool using machine learning // Expert Systems with Applications. – 2018. – № 9. – С. 34-48.
8. Stanula P., Ziegenbein А., Metternich J. Мachine learning algorithms in production: A guideline for efficient data source selection // Procedia CIRP. – 2018. – № 78. – С. 261-266.
9. Portugal I., Alencar P., Cowan D. The use of machine learning algorithms in recommender systems: A systematic review // Expert Systems with Applications. – 2018. – № 5. – С. 205-227.
Kaufman L., Rousseeuw P.J. Finding Groups in Data: An Introduction to Cluster Analysis. - New York. Wiley&Sons, 2005. – 336 с.
Everitt B.S., Landau S., Leese M. et al. Cluster Analysis. - New York. Wiley&Sons, 2011. – 346 с.
12. Tavernier J., Simm J., Meerbergen K. et al. Fast semi-supervised discriminant analysis for binary classification of large data sets // Pattern Recognition. – 2019. – № 7. – С. 86-99.
13. Gao W., Alsarraf J., Moayedi H. et al. Comprehensive preference learning and feature validity for designing energy-efficient residential buildings using machine learning paradigms // Applied Soft Computing. – 2019. – № 11. – С. art.105748.
14. Ezghazi S., Zahi A., Zekoua K. A new nearest neighbor classification method based on fuzzy set theory and aggregation operators // Expert Systems with Applications. – 2017. – № 1. – С. 58-74.
15. ZhangX., Li Y., ZhangX KRNN: k Rare-class, Nearest Neighbour classification // Pattern Recognition. – 2017. – № 62. – С. 33-44. – doi: 10.1016/j.patcog.2016.08.023.
Вапник В. Н., Червоненкис А. Я. Еория распознавания образов. - М.: Наука, 1974. – 416 с.
Vapnik V.N. Statistical Learning Theory. - NY: J.Wiley, 1998. – 740 с.
18. Azad М., Moshkov М. Multi-stage optimization of decision and inhibitory trees for decision tables with many-valued decisions // European Journal of Operational Research. – 2017. – № 3. – С. 910-921. – doi: 10.1016/j.ejor.2017.06.026.
19. Kim K., Hong J. A hybrid decision tree algorithm for mixed numeric and categorical data in regression analysis // Pattern Recognition Letters. – 2017. – № 98. – С. 39-45. – doi: 10.1016/j.patrec.2017.08.011.
Страница обновлена: 28.11.2024 в 07:42:48