Построение модели машинного обучения для прогнозирования мошеннических транзакций
А. Ф. Константинов, Л. П. Дьяконова
Загрузить полный текст
Аннотация: В статье приведены результаты исследований по укоренению одревесневших черенков голубики высокорослой, проведенных в 2022–2024 годах в условиях отсутствия туманообразующей установки. Голубика высокорослая является тяжелоукореняемой культурой, поэтому требует определенного подхода, а именно: применения субстрата с оптимальным водно-воздушным режимом, использования регуляторов роста для повышения регенерационной способности, а также определенных микроклиматических условий, которые достигаются благодаря туманообразующей системе. Технические условия для туманообразования имеются не во всех хозяйствах, культивирующих голубику. Цель исследования – определить оптимальный состав грунта для укоренения и изучить влияние регуляторов роста, стимулирующих корнеобразование. В качестве субстратов испытывались торф, торф + перлит (3:1), торф + песок (3:1) и песок. Для стимуляции корнеобразования испытывались регуляторы роста Фитактив гель и Гетероауксин. Закладка опытов, наблюдения и учеты выполнялись по методике, принятой в агрономии.Установлено, что лучшим субстратом для укоренения одревесневших черенков голубики высокорослой является торфо-перлитная смесь. Без дополнительной стимуляции в этом субстрате укореняется существенно больше черенков, чем в контроле, и в 6 раз больше, чем в песке. Применение Фитактив геля в качестве стимулятора корнеобразования в отсутствие туманообразования повышает выход укорененных черенков, в среднем за три года исследования, до 58 % при хорошем качестве образовавшихся корней. Это позволяет получить необходимое для ремонта насаждений количество посадочного материала без затрат на оборудование туманообразования. Действие Гетероауксина в этом отношении, согласно нашим исследованиям, существенно слабее.
Ключевые слова: голубика, укоренение, корневая система, стимуляторы корнеобразования, каллус, торф, одревесневшие черенки.
Для цитирования. Егорова Е. М., Таумурзаева Ф. Д. Укоренение одревесневших черенков голубики высокорослой без применения туманообразующей системы // Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 1. С. 11–19. DOI: 10.35330/1991-6639-2025-27-1-11-19
Список литературы
- Mashrur A., Luo W., Zaidi N.A., Robles-Kelly A. Machine Learning for Financial Risk Management: A Survey. IEEE Access. 2020. Vol. 8. Pp. 203203–203223. DOI: 10.1109/ACCESS.2020.3036322
- Awosika T., Shukla R.M., Pranggono B. Transparency and Privacy: The Role of Explainable AI and Federated Learning in Financial Fraud Detection. IEEE Access. 2024. Vol. 12. Pp. 64551–64560. DOI: 10.1109/ACCESS.2024.3394528
- McMahan B., Moore E., Ramage D. et al. Communication-efficient learning of deep networks from decentralized data. Proceedings of the 20 th International Conference on Artificial Intelligence and Statistics. 2017. Vol. 54. Pp. 1273–1282. DOI: 10.48550/arXiv.1602.05629
- Ali A.A., Khedr A.M., El-Bannany M., Kanakkayil S. A Powerful Predicting Model for Financial Statement Fraud Based on Optimized XGBoost Ensemble Learning Technique. Applied Sciences. 2023. Vol. 13. No. 4. P. 2272. DOI: 10.3390/app13042272
- He K., Yang Q., Ji L. et al. Financial Time Series Forecasting with the Deep Learning Ensemble Model. Mathematics. 2023. Vol. 11. No. 4. P. 1054. DOI: 10.3390/math11041054
- Prokhorenkova L., Gusev G., Vorobev A. et al. CatBoost: unbiased boosting with categorical features. NIPS’18: Proceedings of the 32nd International Conference on Neural Information Processing Systems. 2018. Pp. 6639–6649. DOI: 0.48550/arXiv.1706.09516
- Micci-Barreca D. A Preprocessing Scheme for High-Cardinality Categorical Attributes in Classification and Prediction Problems. ACM SIGKDD Explorations Newsletter. Vol. 3. No. 1. Pp. 27–32. DOI: 10.1145/507533.507538
- Dorogush A.V., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support. Workshop on ML Systems at NIPS. 2017. DOI: 10.48550/arXiv.1810.11363
- Breiman L. Bagging predictors. Machine Learning. 1996. Vol. 24. No. 2. Pp. 123–140. DOI: 10.1007/BF00058655
- Official website Catboost. Common parameters. Точка доступа: https://catboost.ai/en/docs/ references/training-parameters/common#bagging_temperature (дата обращения: 10 января 2025)
- Shapley L. Notes on the n-person game, ii: the value of an n-person game. 1951.
- Official website SHAP library. Точка доступа: https://shap.readthedocs.io/en/latest/ example_notebooks/tabular_examples/tree_based_models/Catboost%20tutorial.html (дата обращения: 10 января 2025)
- Brier Glenn W. Verification of forecasts expressed in terms of probability. Monthly Weather Review. 1950. Vol. 78. No. 1. Pp. 1–3. Bibcode:1950MWRv…78….1B. DOI: 10.1175/1520-0493(1950)078 <0001:VOFEIT> 2.0.CO
- Akiba T., Sano S., Yanase T. et al. Optuna: A Next-generation Hyperparameter Optimization Framework. KDD ’19: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. Pp. 2623–2631. DOI: 10.1145/3292500.3330701
Информация об авторах
Константинов Алексей Федорович, аспирант кафедры информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
konstantinovaf@gmail.com, ORCID: https://orcid.org/0009-0000-9591-3301, SPIN-код: 3088-3121
Дьяконова Людмила Павловна, канд. физ.-мат. наук, доцент, кафедра информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
Dyakonova.LP@rea.ru, ORCID: https://orcid.org/0000-0001-5229-8070,SPIN-код: 2513-8831