A Comparative Analysis of Data Standardization Methods on Stock Movement

Kumari, Binita; Swarnkar, Tripti

doi:10.1007/978-981-16-9873-6_37

Cited by 2 publications

(1 citation statement)

References 28 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…В работах [3], [4] отмечается, что во время исследовании данных предварительная обработка является важным шагом при использовании нейронных сетей.…”

Section: задачи исследованияunclassified

Нормализация Входных Данных Для Прогнозирования Урожайности Пшеницы

Шарипова¹,

Аканова²,

Оспанова³

et al. 2022

BTOUEn

View full text Add to dashboard Cite

"В данной статье рассматривается нормализация входных данных для прогнозирования урожайности пшеницы. Объектом исследования в рамках статьи являются входные данные нейронной сети. В рамках данного исследования рассматривается влияние таких параметров как, внесение удобрений, содержащих фосфор и азот на урожайность пшеницы с 1997 года по 2021 год. В ходе исследования были рассмотрены методы нормализации такие как минимаксная, z-средняя и робостная нормализация. В последующем была осуществлена нормализация имеющихся входных данных. С помощью полученных данных была обучена нейронная сеть прогнозирования урожайности пшеницы. В итоге был проведен сравнительный анализ способов нормализации по таким показателям, как ошибка обучения и точность обучения. По результатам исследования робостный метод нормализации привел к наилучшему результату: ошибка 0,01. Полученные результаты объясняются тем, что, когда к одному и тому же набору данных применяются разные типы методов нормализации с использованием одного и того же метода машинного обучения, результат может отличаться. Робостная нормализация проста в использовании и дает улучшенный результат по сравнению с другими методами нормализации. Ключевые слова: нейронная сеть, нормализация, прогнозирование, зерновые культуры, фосфор, удобрение."

show abstract

Section: задачи исследованияunclassified