Национальный цифровой ресурс Руконт - межотраслевая электронная библиотека (ЭБС) на базе технологии Контекстум (всего произведений: 611608)
Контекстум
Проблемы управления  / №1 2017

ПРОСТОЙ АЛГОРИТМ НОМИНАЛЬНОЙ КЛАССИФИКАЦИИ ПО КАЧЕСТВЕННЫМ ПРИЗНАКАМ (300,00 руб.)

0   0
Первый авторКорноушенко
Страниц8
ID596974
АннотацияПредложен альтернативный подход к классификации по качественным признакам, отличающийся от известных подходов тем, что вместо сравнения кортежа значений признаков тестового объекта с аналогичными кортежами значений признаков объектов обучающей выборки производится независимое попарное сравнение каждой пары значений соответствующих кортежей признаков сравниваемых объектов. Это позволяет сформировать матрицу весов признаков для каждого тестового объекта, более детальную, чем ближайшая окрестность тестового объекта. В рамках данного подхода предложен простой алгоритм классификации, обладающий рядом важных особенностей в плане интерпретации результатов классификации. На примере несбалансированной выборки из известного репозитория UCI проверено качество алгоритма. Показано, что алгоритм обеспечивает хорошую точность классификации объектов «малых» классов
УДК519.7.007
Корноушенко, Е.К. ПРОСТОЙ АЛГОРИТМ НОМИНАЛЬНОЙ КЛАССИФИКАЦИИ ПО КАЧЕСТВЕННЫМ ПРИЗНАКАМ / Е.К. Корноушенко // Проблемы управления .— 2017 .— №1 .— С. 4-11 .— URL: https://rucont.ru/efd/596974 (дата обращения: 16.05.2025)

Предпросмотр (выдержки из произведения)

УПРАВЛЕНИЕ В СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМАХ У правление в социально-экономических системах УДК 519.7.007 ПРОСТОЙ АЛГОРИТМ НОМИНАЛЬНОЙ КЛАССИФИКАЦИИ ПО КАЧЕСТВЕННЫМ ПРИЗНАКАМ Е.К. <...> Корноушенко Предложен альтернативный подход к классификации по качественным признакам, отличающийся от известных подходов тем, что вместо сравнения кортежа значений признаков тестового объекта с аналогичными кортежами значений признаков объектов обучающей выборки производится независимое попарное сравнение каждой пары значений соответствующих кортежей признаков сравниваемых объектов. <...> Это позволяет сформировать матрицу весов признаков для каждого тестового объекта, более детальную, чем ближайшая окрестность тестового объекта. <...> В рамках данного подхода предложен простой алгоритм классификации, обладающий рядом важных особенностей в плане интерпретации результатов классификации. <...> На примере несбалансированной выборки из известного репозитория UCI проверено качество алгоритма. <...> Показано, что алгоритм обеспечивает хорошую точность классификации объектов «малых» классов. <...> Ключевые слова: классификация, ближайшая окрестность, метка класса, взвешенное голосование, взвешивание признаков, матрица весов признаков. <...> Различают три вида классификации: — классификация «с учителем» (supervised classification), когда исходные данные, отнесенные к разным категориям, называемым классами, разбиваются на две выборки — на обучающей выборке производится обучение (настройка) применяемого алгоритма, а на контрольной — собственно классификация и оценка его качества; — классификация «без учителя» (unsupervised classification), когда на исходных данных формируются классы с помощью различных процедур группировки данных (как правило, процедур кластеризации); — гибридная классификация, когда сгруппированные данные разбиваются на обучающую и контрольную выборки. <...> Это — метрический подход, базирующийся на использовании той или иной метрики при сравнении <...>