Standard

Методы автоматического конструирования признаков в машинном обучении на табличных данных. / Радеев, Никита Андреевич.

In: Программная инженерия, Vol. 16, No. 6, 2025, p. 300-310.

Research output: Contribution to journal › Article › peer-review

Harvard

Радеев, НА 2025, 'Методы автоматического конструирования признаков в машинном обучении на табличных данных', Программная инженерия, vol. 16, no. 6, pp. 300-310. https://doi.org/10.17587/prin.16.300-310

APA

Радеев, Н. А. (2025). Методы автоматического конструирования признаков в машинном обучении на табличных данных. Программная инженерия, 16(6), 300-310. https://doi.org/10.17587/prin.16.300-310

Vancouver

Радеев НА. Методы автоматического конструирования признаков в машинном обучении на табличных данных. Программная инженерия. 2025;16(6):300-310. doi: 10.17587/prin.16.300-310

Author

Радеев, Никита Андреевич. / Методы автоматического конструирования признаков в машинном обучении на табличных данных. In: Программная инженерия. 2025 ; Vol. 16, No. 6. pp. 300-310.

BibTeX

@article{2bb8ef523a6444c89e2a7b9e7953f5e2,
title = "Методы автоматического конструирования признаков в машинном обучении на табличных данных",
abstract = "Рассмотрены современные методы автоматического конструирования признаков для задач машинного обучения на табличных данных. Проанализированы различные подходы: от классических алгоритмов, основанных на заранее определенных преобразованиях (DFS, FCTree, ExploreKit, AutoLearn, FICUS, FEADIS, COGNITO), до эволюционных методов (GP-DR, GP-MaL-MO, DIFER). Представлено сравнение методов по их ключевым особенностям и ограничениям применения. Показано, что современные автоматизированные подходы способны эффективно находить нелинейные зависимости и создавать информативные признаки без участия эксперта предметной области, однако при использовании данных подходов возникают проблемы масштабируемости вследствие роста объема данных. В совокупности рассмотренные методы позволяют существенно упростить процесс подготовки данных для машинного обучения и повысить качество получаемых моделей.",
keywords = "МАШИННОЕ ОБУЧЕНИЕ, КОНСТРУИРОВАНИЕ ПРИЗНАКОВ, ТАБЛИЧНЫЕ ДАННЫЕ, ПРИЗНАКОВОЕ ПРОСТРАНСТВО, ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ, СНИЖЕНИЕ РАЗМЕРНОСТИ, ЭВОЛЮЦИОННЫЕ АЛГОРИТМЫ",
author = "Радеев, {Никита Андреевич}",
note = "Радеев, Н. А. Методы автоматического конструирования признаков в машинном обучении на табличных данных / Н. А. Радеев // Программная инженерия. – 2025. – Т. 16, № 6. – С. 300-310. – DOI 10.17587/prin.16.300-310. – EDN VWTPDY.",
year = "2025",
doi = "10.17587/prin.16.300-310",
language = "русский",
volume = "16",
pages = "300--310",
journal = "Программная инженерия",
issn = "2220-3397",
publisher = "Издательство «Новые технологии»",
number = "6",

}

RIS

TY - JOUR

T1 - Методы автоматического конструирования признаков в машинном обучении на табличных данных

AU - Радеев, Никита Андреевич

N1 - Радеев, Н. А. Методы автоматического конструирования признаков в машинном обучении на табличных данных / Н. А. Радеев // Программная инженерия. – 2025. – Т. 16, № 6. – С. 300-310. – DOI 10.17587/prin.16.300-310. – EDN VWTPDY.

PY - 2025

Y1 - 2025

N2 - Рассмотрены современные методы автоматического конструирования признаков для задач машинного обучения на табличных данных. Проанализированы различные подходы: от классических алгоритмов, основанных на заранее определенных преобразованиях (DFS, FCTree, ExploreKit, AutoLearn, FICUS, FEADIS, COGNITO), до эволюционных методов (GP-DR, GP-MaL-MO, DIFER). Представлено сравнение методов по их ключевым особенностям и ограничениям применения. Показано, что современные автоматизированные подходы способны эффективно находить нелинейные зависимости и создавать информативные признаки без участия эксперта предметной области, однако при использовании данных подходов возникают проблемы масштабируемости вследствие роста объема данных. В совокупности рассмотренные методы позволяют существенно упростить процесс подготовки данных для машинного обучения и повысить качество получаемых моделей.

AB - Рассмотрены современные методы автоматического конструирования признаков для задач машинного обучения на табличных данных. Проанализированы различные подходы: от классических алгоритмов, основанных на заранее определенных преобразованиях (DFS, FCTree, ExploreKit, AutoLearn, FICUS, FEADIS, COGNITO), до эволюционных методов (GP-DR, GP-MaL-MO, DIFER). Представлено сравнение методов по их ключевым особенностям и ограничениям применения. Показано, что современные автоматизированные подходы способны эффективно находить нелинейные зависимости и создавать информативные признаки без участия эксперта предметной области, однако при использовании данных подходов возникают проблемы масштабируемости вследствие роста объема данных. В совокупности рассмотренные методы позволяют существенно упростить процесс подготовки данных для машинного обучения и повысить качество получаемых моделей.

KW - МАШИННОЕ ОБУЧЕНИЕ

KW - КОНСТРУИРОВАНИЕ ПРИЗНАКОВ

KW - ТАБЛИЧНЫЕ ДАННЫЕ

KW - ПРИЗНАКОВОЕ ПРОСТРАНСТВО

KW - ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ

KW - СНИЖЕНИЕ РАЗМЕРНОСТИ

KW - ЭВОЛЮЦИОННЫЕ АЛГОРИТМЫ

UR - https://www.elibrary.ru/item.asp?id=82473782

U2 - 10.17587/prin.16.300-310

DO - 10.17587/prin.16.300-310

M3 - статья

VL - 16

SP - 300

EP - 310

JO - Программная инженерия

JF - Программная инженерия

SN - 2220-3397

IS - 6

ER -

ID: 74490433