Статья
| Наименование | Методы снижения размерности для анализа экономических данных | ||||
| Авторы |
|
||||
| Раздел | Математические, статистические и инструментальные методы в экономике | ||||
| Год | 2026 | Выпуск | 24 | Страницы | 49 - 58 |
| УДК | 330.46 | EDN | TIULIP | ||
| Аннотация | В статье рассмотрены и проанализированы современные методы снижения размерности, особенности их использования для анализа данных. В качестве примера реализации методов на языке Python использован известный набор данных, содержащий информацию о клиентах банка и параметрах проводимой с ними маркетинговой кампании. Разработаны рекомендации по использованию методов в сфере анализа экономических данных. | ||||
| Реферат | Цель. Анализ современных методов снижения размерности и разработка рекомендаций по их применению в сфере анализа экономических данных.
Методика. Методический подход к разработке рекомендаций по применению методов снижения размерности в сфере анализа экономических данных включает следующие основные этапы: рассмотреть и проанализировать существующие методы снижения размерности; рассмотреть реализацию этих методов с помощью современных программных продуктов; разработать рекомендации по использованию рассмотренных методов в сфере анализа экономических данных. Научная новизна. Получили дальнейшее развитие вопросы использования современных методов снижения размерности при анализе экономических данных, включающие анализ существующих методов снижения размерности; реализацию этих методов с помощью специализированных библиотек языка Python; разработку рекомендаций по использованию линейных и нелинейных методов в сфере анализа экономических данных. Практическая значимость. Использование предложенных рекомендаций по применению методов снижения размерности позволит упростить анализ и визуализацию сложных данных. Это особенно актуально в условиях, когда исследователи сталкиваются с большими объёмами информации, содержащими множество переменных. |
||||
| Ключевые слова | снижение размерности, анализ данных, набор данных, сингулярное разложение, независимые компоненты, многомерное масштабирование. | ||||
| Финансирование | |||||
| Благодарности | |||||
| Список источников |
1. Городнова Н. В. Развитие цифровой экономики: теория и практика // Вопросы инновационной экономики. 2021. Т. 11. № 3. С. 911–928. DOI: 10.18334/vinec.11.3.112227 EDN RBVHJM
2. Дмитриев А. П., Лейба С. Ш. Стремительный рост цифровых данных: анализ мировых трендов и прогноз развития в России // Региональная и отраслевая экономика. 2024. № 1. С. 141–152. DOI: 10.47576/2949-1916.2024.1.1.019 EDN PCNILO
3. Miller G. A. The magical number seven, plus or minus two: Some limits on our capacity for processing information // Psychological Review. 1956. Vol. 63 (2). P. 81–97. URL: https://colab.ws/articles/10.1037%2Fh0043158. DOI: 10.1037/h0043158
4. Bachmann J. M. Bank Marketing Dataset [Electronic resource]: Kaggle: [website]. [2026]. URL: https://www.kaggle.com/datasets/janiobachmann/bank-marketing-dataset?resource=download&select=bank.csv.
5. Shlens J. A. Tutorial on Principal Component Analysis // arXiv preprint. 2014. arXiv:1404.1100v1. 12 р.
6. Van der Maaten L., Hinton G. Visualizing Data using t-SNE // Journal of Machine Learning Research. 2008. № 9. P. 2579–2605.
7. Hyvärinen A., Oja E. Independent component analysis: algorithms and applications // Neural Networks. 2000. Vol. 13. № 4–5. P. 411–430. EDN AHTWPL
8. McInnes L., Healy J., Melville J. UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction // Journal of Open Source Software. 2018. Vol. 3. № 29. P. 861. DOI: 10.21105/joss.00861
9. Adams H., Blumstein M., Kassab L. Multidimensional scaling on infinite metric measure spaces // arXiv preprint. 2019. arXiv:1907.01379v1. 13 p.
10. Kruskal J. B. Nonmetric multidimensional scaling: a numerical method // Psychometrika. 1964. Vol. 29. № 2. P. 115–129. DOI: 10.1007/bf02289694 EDN GVZKRU
|
||||
| Полный текст |
|
||||