ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ МЕТОДІВ КЛАСИФІКАЦІЇ ПРИ ПРОГНОЗУВАННІ В ЗАДАЧАХ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.32347/2412-9933.2021.46.173-180Ключові слова:
класифікація, прогнозування, машинне навчання, оцінювання якості прогнозівАнотація
Розглянуто використання методів класифікації для вирішення завдання прогнозування аеродинамічних властивостей матеріалів. Запропоновано і досліджено методологію класифікації методами машинного навчання. Були використані такі методи класифікації: логістична регресія (LR), метод K-найближчих сусідів (KNN), дерева рішень (DT) та випадковий ліс (RF). Методологія складається з таких етапів: збирання даних, розвідувальний аналіз даних, моделювання, оцінювання ефективності моделей та підвищення ефективності моделей. Для реалізації процедури прогнозування проведено попереднє опрацювання даних, яке складається з етапів: збирання даних, розвідувальний аналіз даних. Наступний етап – Моделювання, складається з двох частин: підготовка та вибір моделі. Обрахована точність прогнозів. При аналізі були досліджені результати прогнозування з точки зору точності, як-от: відгук, F-міра, Каппа, значення робочої характеристики (ROC) та частоти помилок, вимірюваних середньою абсолютною помилкою (MAE) і середньоквадратичною помилкою (RMSE). Проведено аналіз точності прогнозування.
Посилання
Han, J., Kamber, M., & Pei, J. (2011). Data mining: concepts and techniques. New York: Elsevier.
Witten, I. H., & Frank, E. (2005). Data mining: practical machine learning tools and techniques.
Machine Learning Repository. URL: http://archive.ics.uci.edu/ml/datasets/Airfoil+Self-Noise.
Aha, D. W., Kibler, D. & Albert, M. K. (1991). Instance-based learning algorithms. Mach Lear., 6(1), 37–66.
Le Cessie, S. & Van Houwelingen, J. C. (1992). Ridge estimators in logistic regression. J R Stat Soc., 41(1), 191–201.
Quinlan, J. R. (1993). C4.5: Programs for machine learning. Machine Learning.
Kuhn, M. & Johnson, K. (2013). Applied predictive modeling. New York: Springer; 26.
Breiman, L. (2001). Random forests. Mach Learn., 45(1), 5–32.
Breiman, L. (1996). Bagging predictors. Mach Learn., 24(2), 123–40.
Amit, Y. & Geman, D. (1997). Shape quantization and recognition with randomized trees. Neural Comput., 9 (7), 1545–1588.
Witten, I. H., Frank, E., Trigg, L. E., Hall, M. A., Holmes, G. & Cunningham, S. J. (1999). Weka: Practical machine learning tools and techniques with java implementations.
Lanz, B. (2020). Machine Learning in R: Expert Techniques for Predictive Analysis. SPb.: Peter, 464. ISBN: 978-5-4461-1512-9.
James, G., Whitton, D., Hasti, T., Tibshirani, R. (2017). Introduction to statistical learning with examples in R. DMK Press, Moscow, 456. ISBN: 978-5-97060-495-3.
Bidyuk, P., Gozhyj, A., Kalinina, I. & Vysotska, V. (2020). Methods for forecasting nonlinear non-stationary processes in machine learning. In: Data Stream Mining and Processing. DSMP 2020. Communications in Computer and Information Science. vol. 1158, pp. 470–485. Springer, Cham, (2020). https://doi.org/10.1007/978-3-030-61656-4 32.
Bidyuk, P., Kalinina, I. & Gozhyj, A. (2021). An Approach to Identifying and Filling Data Gaps in Machine Learning Procedures. International Scientific Conference “Intellectual Systems of Decision Making and Problem of Computational Intelligence” ISDMCI 2021: Lecture Notes in Computational Intelligence and Decision Making, pp. 164–176.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Ірина Калініна , Олександр Гожий
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
