Штучний інтелект

Науковий журнал

ISSN 2710-1673

ONLINE: ISSN 2710-1681

Шукати за:

Роком видання
Автором
Назвою статті

Принципи та підходи до формування ансамблів класифікаторів на підставі агрегатування їх результатів

Бармак О.В.1, Крак Ю.В.2, Манзюк Е.А.1, Куляс А.І.4
1 Khmelnytskyi National University
2 Taras Shevchenko National University of Kyiv
4 Інститут кібернетики ім. В.М. Глушкова НАН України

Повний текст (PDF)

УДК: 004.912
Мова публікації: Українська
Stuc. intelekt. 2018; 23; (3):62-69

Анотація: У статті розглянуто та проаналізовано принципи формування та застосування ансамблів класифікаторів. Розглянуто переваги використання підходів агрегатування рішень класифікаторів. Аналіз принципів перерозподілу даних при розширенні ансамблю дав змогу сформувати вимоги до класифікаторів ансамблю, на підставі чого було виявлено умови вибору класифікаторів та критерії їх достатності. На базі критеріїв достатності встановлено умови застосовності принципу агрегації для граничних множин. Проведено аналіз неоднозначності прийняття рішень для симетричних множин класифікаторів. Визначено умови формування множини класифікаторів та встановлені критерії її достатності для вирішення завдання класифікації. Встановлено, що подальше розширення множини класифікаторів понад критерії достатності привносить помилки класифікації до множини правильних рішень усіх класифікаторів. Розширення множини класифікаторів дозволяє сформувати набір сполучень, який є трикутником Паскаля та проаналізувати граничний перерозподіл даних у процесі збільшення ансамблю.

Ключові слова:

Посилання:

  1. Mueller, D. (2003). Public Choice III.Cambridge: University of Cambridge Press.
  2. Gerecke, U., Sharkey, N.E., Sharkey, A.J.(2003). Common evidence vectors for self-organized ensemble localization,Neurocomputing, 55(3), P. 499-519.
  3. Schapire, R.E., (1990). The strength of weaklearnability, Machine learning, 5(2), P. 197-227.
  4. Zhu, M (2015). Use of majority votes in statisticallearning. Wiley Interdisciplinary Reviews:Computational Statistics, 7(6), P. 357 - 371.
  5. Vardeman, S.B., Morris, M.D. (2013), “MajorityVoting by Independent Classifiers can Increase ErrorRates,” The American Statistician, 67, P. 94-96
  6. Vardeman, S.B., Morris, M.D. (2013), “MajorityVoting by Independent Classifiers can IncreaseError Rates,” The American Statistician, 67, 94–96: Comment by Stuart Baker, Jian-Lun Xu,Ping Hu and Peng Huang and Reply TheAmerican Statistician, 2014, 68(2), P. 125-126
  7. Манзюк Э.А., Бармак А.В., Крак Ю.В.,Касьянюк В.С. (2018) Определениеинформационного ядра при классификациидокументов. Проблемы управления иинформатики, 2, 78-86.DOI: 10.1615/JAutomatInfScien.v50.i4.30

Переглянути повний текст статті (PDF)