Receipt date: 
19.06.2024
Bibliographic description of the article: 

Носков С.И., Пашков Д.В. Проектирование информационной системы реализации некоторых этапов построения регрессионных моделей // «Информационные технологии и математическое моделирование в управлении сложными системами»: электрон. науч. журн. – 2024. – №2. – С. 1-14 – Режим доступа: http://ismm-irgups.ru/toma/222-2024, свободный. – Загл. с экрана. – Яз. рус., англ. (дата обращения: 19.06.224)

Year: 
2024
Journal number: 
УДК: 
519.237.5
Article File: 
Pages: 
1
14
Abstract: 

Качество регрессионной модели в значительной степени определяется опытом специалистов, выполняющих сбор и исследование данных, в частности: надежными результатами наблюдений, наиболее близко определенными формами связей между переменными и верно подобранными методами оценки регрессии. Однако даже при наличии этих составляющих нельзя гарантировать оптимальный характер итоговой математической зависимости, потому как объем необходимых расчетов и проверок для поиска решения задачи оптимизации выходного уравнения часто оказывается существенно больше, чем можно выполнить вручную. В статье рассмотрены некоторые этапы подхода к процессу математического моделирования объекта методами регрессионного анализа данных, выделены проблемные места. В качестве варианта решения предлагается реализация алгоритмического программного комплекса, специализированного под описанный процесс моделирования. Проведен краткий обзор аналогов. Выводы сопровождаются графическим представлением функциональных требований к целевой программной реализации. Проектирование выполнено на концептуальном уровне.

List of references: 

1. Букша Д. Р. Применение статистического пакета STADIA для анализа данных / Научно-технические достижения студентов, аспирантов, молодых ученых строительно-архитектурной отрасли : Сборник научных трудов VIII Республиканской конференции молодых ученых, аспирантов, студентов. В 3-х томах, Макеевка, 22 апреля 2022 года. Том 1. – Макеевка: Донбасская национальная академия строительства и архитектуры, 2022. – С. 23-28.

2. Гаврилко К. А. Реализация методов интеллектуального анализа данных на основе модулей интегрированной статистической системы statistic // Научно-технические достижения студентов, аспирантов, молодых ученых строительно-архитектурной отрасли : Сборник научных трудов VI Республиканской конференции молодых учёных, аспирантов, студентов. В 3-х томах, Макеевка, 17 апреля 2020 года. Том 1. – Макеевка: Донбасская национальная академия строительства и архитектуры, 2020. – С. 16-20.

3. Болотина Н. В., Швалева А. В. Построение регрессионных моделей зависимости механических свойств от химического состава с помощью программного обеспечения Mathcad, Stadia // Наука и производство Урала. – 2015. – № 11. – С. 221-224.

4. Яковлев В. Б. Линейное и нелинейное оценивание параметров регрессии в Microsoft Excel // Вестник МГПУ. Серия: Информатика и информатизация образования. – 2019. – № 2(48). – С. 58-71.

5. Лебедева О. А., Зарядов И. С. Обзор инструментов для регрессионного анализа в R: от фундаментальных методов до нейронных сетей // Information and Telecommunication Technologies and Mathematical Modeling of High-Tech Systems : Материалы XIV международной научной конференции, Москва, 8–12 апреля 2024 года. – Москва: Российский университет дружбы народов, 2024.

6. Тусков А. А. Применение Gretl для построения многофакторной модели // Модели, системы, сети в экономике, технике, природе и обществе. – 2011. – № 1(1). – С. 154-159.

7. Кузьмин Е. С., Зайцев О. В., Кузьмина Е. В. Комплекс программ для проведения статистических расчетов Statistic 2.1 // Математическая морфология: электронный математический и медико-биологический журнал. – 1997. – Т. 2, № 1. – С. 96-98.

8. Базилевский М. П., Носков С. И. Анализ специализированного программного обеспечения для автоматизации "конкурса" регрессионных моделей // Информационные технологии и проблемы математического моделирования сложных систем. – 2010. – № 8. – С. 50-56.

9. Носков С.И. Технология моделирования объектов с нестабильным функционированием и неопределенностью в данных. – Иркутск : Облинформпечать, 1996. – 320 с.

10. Пашков Д. В., Носков С. И. Реализация конкурса регрессионных моделей эффективности интеллектуальной деятельности // Электронный сетевой политематический журнал "Научные труды КубГТУ". – 2022. – № 6. – С. 40-51.

11. Хубаев Г. Н., Денисенко В. А., Коротин Д. В. Метод всех возможных регрессий: программная реализация в системе MS Excel // Информационные системы, экономика, управление трудом и производством : Ученые записки. Том Выпуск 16. – Ростов-на-Дону : Ростовский государственный экономический университет "РИНХ", 2014. – С. 126-129.

12. Носков С. И., Базилевский М. П. Программный комплекс автоматизации процесса построения регрессионных моделей // Международный журнал прикладных и фундаментальных исследований. – 2010. – № 1. – С. 93-94.

13. Базилевский М. П. Программно-математическое обеспечение автоматизации многокритериального выбора регрессионных моделей : специальность 05.13.18 "Математическое моделирование, численные методы и комплексы программ" : диссертация на соискание ученой степени кандидата технических наук. – Иркутск, 2012. – 153 с.

14. Утакаева И. Х. Применение пакета статистического анализа Python для анализа данных автомобильного рынка // Вестник Алтайской академии экономики и права. – 2019. – № 2-2. – С. 346-351.

15. Черман А. Н., Чубенко Д. О., Филонова Е. С. Анализ языков программирования PYTHON, RUBY, SCALA для обработки больших данных на примерах алгоритмов сортировки // Наука и современность : Материалы Всероссийской научно-практической конференции студентов и молодых ученых, Таганрог, 10 ноября 2023 года. – Таганрог: ДиректСайнс, 2023. – С. 131-134.

16. Захаренков А. О., Евдокимова Г. С. Сравнительный анализ языков Ruby, R и Python в вопросах анализа данных на примере задачи кластеризации // Системы компьютерной математики и их приложения. – 2020. – № 21. – С. 38-44.

17. Багдади М. А., Мархабаев Б. А., Мысева Е. Р. Обзор возможностей и сравнение языков программирования Python и R в области анализа данных // Инновационные механизмы управления цифровой и региональной экономикой : Материалы V Международной студенческой научной конференции, Москва, 15–16 июня 2023 года. – Москва: Национальный исследовательский ядерный университет "МИФИ", 2023. – С. 282-294.

18. Ивин В. В. Применение языка R и среды RStudio для статистического анализа данных // Педагогический опыт: от теории к практике : Сборник материалов VI Международной научно-практической конференции, Чебоксары, 06 августа 2018 года / Редколлегия: О.Н. Широков [и др.]. – Чебоксары: Общество с ограниченной ответственностью "Центр научного сотрудничества "Интерактив плюс", 2018. – С. 47-53.

19. Базилевский М. П., Носков С. И. Анализ систем программирования для решения вычислительной задачи проведения "конкурса" регрессионных моделей // Информационные технологии и проблемы математического моделирования сложных систем. – 2011. – № 9. – С. 47-51.

20. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей. – М.: Финансы и статистика, 1985. – 488 с.

21. Базилевский М. П., Носков С. И. Статистический анализ критериальных матриц при организации "конкурса" регрессионных моделей // Информационные технологии и математическое моделирование в управлении сложными системами. – 2019. – № 1(2). – С. 13-26.

22. Голованчиков А. Б., Доан М. К., Петрухин А. В., Меренцов Н. А. Сравнение точности аппроксимации экспериментальных данных методом наименьших относительных квадратов с методом наименьших квадратов // Моделирование, оптимизация и информационные технологии. – 2020. – Т. 8, № 1(28).

23. Носков С. И., Перфильева К. С., Хоняков А. А., Торопов В. Д. Возможная альтернативность подходов к регрессионному моделированию объектов // Вестник транспорта Поволжья. – 2021. – № 6(90). – С. 68-70.

24. Носков С. И., Пашков Д. В., Улыбин Т. Т., Улыбина А. Ю. Организация конкурса регрессионных моделей выгрузки вагонов на железнодорожном транспорте // Инженерный вестник Дона. – 2023. – № 6(102). – С. 301-309.

25. Носков С. И. Критерий "согласованность поведения" в регрессионном анализе // Современные технологии. Системный анализ. Моделирование. – 2013. – № 1(37). – С. 107-110.

26. Рычка О. В. Разработка алгоритма реализации методов повышения качества регрессионных моделей, используемых при проектировании технических систем // Информатика и кибернетика. – 2020. – № 3(21). – С. 13-19.

27. Михайлова Т. М., Михайлов Б. А. Методы повышения качества регрессионной модели при ее использовании для прогнозирования // Ученые записки Санкт-Петербургского имени В.Б. Бобкова филиала Российской таможенной академии. – 2003. – № 1(20). – С. 168-193.

28. Приходько Н. А., Кулаченок А. К. Моделирование в нотации IDEF0 // Моя профессиональная карьера. – 2022. – Т. 1, № 36. – С. 137-141.

29. Карпычев В. Ю. Функциональное моделирование (IDEF0) как метод исследования блокчейн-технологии // Труды НГТУ им. Р.Е. Алексеева. – 2018. – № 4(123). – С. 22-32.

30. Suriya Dr. S., S. N. Design of UML Diagrams for WEBMED - Healthcare Service System Services // EAI Endorsed Transactions on e-Learning. – 2023. – Vol. 8, No. 1. – P. e5.

31. Барклаевская Н. В. Использование унифицированного языка моделирования UML в проектном подходе при обучении студентов по специальности "бизнес-информатика" // Материалы научно-методической конференции СЗИУ РАНХиГС. – 2015. – № 1. – С. 21-29.