ПРИМЕНЕНИЕ КЛАССИФИКАТОРОВ МАШИННОГО ОБУЧЕНИЯ ПРИ ОПРЕДЕЛЕНИИ КАЧЕСТВА СИГНАЛА В ПАРАМЕТРИЧЕСКИХ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССАХ

Ilhomjon Qodirov

Авторы 

       

   Ибрагимов У.М. – PhD, доцент, Бухарский инженерно-технологический институт, г. Бухара, Узбекистан, ciulugbek@list.ru

 

Аннотация

   В данной статье рассматриваются базовые понятия и методы, ис-пользуемые при решении задачи классификации в машинном обучении. Дается определе-ние классификации как процесса отнесения объектов к заданным классам на основе ана-лиза признаков объектов. Приводятся примеры бинарной и много классовой классифика-ции. На примере построения простейшего классификатора сигналов с помощью дерева решений подробно разбирается процесс создания классификатора и анализа его эффек-тивности на тестовых данных с использованием матрицы ошибок и показателей каче-ства, таких как точность, полнота, F-мера. Приводятся формулы расчета этих пока-зателей. Отмечается важность репрезентативности тестовых данных для оценки ка-чества классификатора. В заключении автор делает вывод, что точность по тестово-му набору Te определяется как доступ только к истинным классам небольшой части пространства экземпляров, вследствие этого оценка — это все, на что мы можем надеяться. Поэтому важно, чтобы набор тестов был максимально репрезентативным. Это обычно формализуется предположением, что появление экземпляров в мире, управ-ляется неизвестным распределением вероятностей на X и, что тестовый набор Te гене-рируется в соответствии с этим распределением. В целом статья представляет инте-рес для специалистов в области машинного обучения и анализа данных.

Ключевые слова

 классификация, машинное обучение, функция, фильтрация сигнала, бинврный, дерево признаков, тестовые экземпляры, вероятность.

Язык

русский

Тип

технический

Год

2023

Страница

20-24

Список использованной литературы

 

    1. Авезов А.Х. Применение информационных технологий для обучения научному творчеству. Вестник Таджикского государственного университета права, бизнеса и политики. 2014. № 1 (57). С. 316-327.
    1. Allwein, E.L., Schapire, R.E. and Singer, Y. (2000). Reducing multiclass to binary: A unifying approach for margin classifiers. In P. Langley (ed.), Proceedings of the Seventeenth International Conference on Machine Learning (ICML 2000), pp. 9–16.
    1. Blockeel, H., De Raedt, L. and Ramon, J. (1998). Top-down induction of clustering trees. In J.W. Shavlik (ed.), Proceedings of the Fifteenth International Conference on Machine Learning (ICML 1998), pp. 55–63.
    1. Boser, B.E., Guyon, I. and Vapnik, V. (1992). A training algorithm for optimal margin classifiers. In Proceedings of the International Conference on Computational Learning Theory (COLT 1992), pp. 144–152.
    1. Breiman, L., Friedman, J.H., Olshen, R.A. and Stone, C.J. (1984). Classification and Regression Trees. Wadsworth.

Дата публикация

2023-10-19