А. В. Курлов

Детальная_Инф:  Да
Автор1:  А. В. Курлов
Афиилиация1:  Научно-исследовательская лаборатория «Лаборатория городских технологий и пространственного развития», г. Москва, Российская Федерация
Название статьи:  Использование предиктивной геоинформационной модели для оценки рыночной стоимости земельных участков в экспертной системе
Рубрика:  Картография и геоинформатика
Начало_Страница:  103
Конец_Страница:  112
УДК:  528.94:332.2
DOI:  10.33764/2411-1759-2023-28-5-103-112
Год:  2023
Номер:  5
Том:  28
Ключевые слова_RU:  рыночная стоимость, кадастровая стоимость, анализ, прогнозирование, регрессионная модель, экспертная модель, CatBoost, NgBoost, XGBoost
Ключевые слова_EN:  market value, cadastral value, analysis, forecast, regression model, expert model, CatBoost, NgBoost, XGBoost
Библиографический список:  1. Боровков А. А. Математическая статистика : учеб. – 4-е изд., стер. – СПб. : Издательство «Лань», 2010. – 704 с.
2. Шпигельхалтер Д. Искусство статистики. – М. : Манн, Иванов и Фербер, 2020. – С. 134–155.
3. Любимцев О. В., Любимцева О. Л. Линейные регрессионные модели в эконометрике, Линейные регрессионные модели в эконометрике. – Нижний Новгород : Нижегородский государственный архитектурно-строительный университет, ЭБС АСВ, 2016. – С. 9–16.
4. Деммель Дж. Вычислительная линейная алгебра. – М. : Мир, 2000. – 430 с.
5. Vandeput N. Data Science for Supply Chain Forecasting. – 2nd ed. – Walter de Gruyter GmbH & Co KG, 2021 – 310 p.
6. Duan T., Avati A., Ding D. Yi., Thai K. K., Basu S., Ng A., Schuler A. NGBoost: Natural Gradient Boosting for Probabilistic Prediction [Electronic resource] // Proceedings of the 37 th International Conference on Machine Learning. – Vienna, Austria, PMLR 108, 2020. – Mode of access: https://arxiv.org/pdf/1910.03225.pdf (accessed 01.03.2023).
7. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Data Mining, Inference and Prediction. – Springer. – P. 337–386, 409 [Electronic resource]. – Mode of access: https://hastie.su.domains/Papers/ESLII.pdf (дата обращения: 01.03.2023).
8. Dr Guillaume Saupin. Practical Gradient Boosting: An deep dive into Gradient Boosting in Python. – 2022. – 208 p.
9. Кашницкий Ю. С. История развития ансамблевых методов классификации в машинном обучении. – С. 4–6 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/278019662_Istoria_razvitia_ansamblevyh_metodov_klassifikacii_v_masinnom_obucenii (дата обращения: 01.03.2023).
10. Natekin A., Knoll A. Gradient boosting machines, a tutorial [Electronic resource]. – Mode of access: https://www.researchgate.net/publication/259653472_Gradient_Boosting_Machines_A_Tutorial.
11. Peng R. D., Matsui E. The Art of Data Science. A Guide for Anyone Who Works with Data [Electronic resource]. – Mode of access: http://bedford-computing.co.uk/learning/wp-content/uploads/2016/09/artofdatascience.pdf.
12. VanderPlas J. Python Data Science Handbook [Electronic resource]. – Mode of access: https://jakevdp.github.io/PythonDataScienceHandbook/.
13. Шульгин С. Г. Отбор переменных для анализа и прогнозирования нестабильности с помощью моделей градиентного бустинга [Электронный ресурс]. – Режим доступа: https://www.socionauki.ru/upload/socionauki.ru/book/files/monitoring_sm_5/115-153.pdf.
14. Nailong Zhang. A Tour of Data Science (Chapman & Hall/CRC Data Science Series). – 2020.
15. Федотов С., Синицин Ф. Машинное обучение [Электронный ресурс]. – Режим доступа: https://academy.yandex.ru/handbook/ml/article/mashinnoye-obucheniye.
Ссылка:  /upload/vestnik/sborniki/2023/28_5/103-112.pdf
Читать далее