Тип публикации: статья из журнала
Год издания: 2024
Ключевые слова: ensemble classifier, data analysis, single classifier, bagging, boosting, ансамблевый классификатор, анализ данных, единый классификатор, упаковка в мешки, повышение
Аннотация: Currently, with a complex set of data, traditional classification methods cannot analyze the data effectively and accurately. The research objective is to use integrated classifiers for analysis, and to prove that the results are generally better. This article mainly considers the development of an effective integration of machine Показать полностьюlearning classifiers. Integrated learning itself is a supervised learning algorithm, as it can be trained and then used to make predictions. Therefore, the trained integrated model represents a hypothesis, but this hypothesis is not necessarily included in the hypothesis space in which the model is built. It can be proven that integrated learning has greater flexibility in the functions it can perform. Such flexibility allows them to retrain the training data instead of a single model, but in practice, some integrated algorithms (e.g., bagging algorithms) tend to reduce the problems associated with retraining of the training data. General scientific research methods are used in the work. A single classifier and an integrated classifier are used for comparison. В настоящее время при наличии сложного набора данных традиционные методы классификации не могут эффективно и точно анализировать данные. Цель исследования - проанализировать интегрированные классификаторы для анализа и показать их преимущества. Статья посвящена разработке эффективной интеграции классификаторов машинного обучения. Интегрированное обучение само по себе представляет собой контролируемый алгоритм обучения, поскольку его можно обучить, а затем использовать для прогнозирования. Следовательно, обученная интегрированная модель представляет собой гипотезу, но эта гипотеза не обязательно включена в пространство гипотез, в котором построена модель. Можно доказать, что интегрированное обучение обладает большей гибкостью в функциях, которые оно может выполнять. Такая гибкость позволяет им переобучать обучающие данные вместо одной модели, но на практике некоторые интегрированные алгоритмы (например, алгоритмы пакетирования) имеют тенденцию уменьшать проблемы, связанные с переобучением обучающих данных. В работе использованы общенаучные методы исследования. Для сравнения используются единый классификатор и интегрированный классификатор.
Журнал: Перспективы науки
Выпуск журнала: № 4
Номера страниц: 47-51
ISSN журнала: 20776810
Место издания: Тамбов
Издатель: Межрегиональная общественная организация "Фонд развития науки и культуры"