ІНТЕЛЕКТУАЛЬНА СИСТЕМА КЛАСИФІКАЦІЇ НА ОСНОВІ АНСАМБЛЕВИХ МЕТОДІВ

Автор(и)

  • O.P. Hozhyi
  • O.O. Zhebko
  • I.O. Kalinina
  • T.A. Hannichenko

DOI:

https://doi.org/10.34185/1562-9945-3-146-2023-07

Ключові слова:

Класифікація, ансамблеві моделі, стекінг, бустінг, бегінг, дворівнева архітектура, показники ефективності

Анотація

В роботі на основі методів машинного навчання досліджено вирішення завдання класифікації за допомогою дворівневої структури ансамблів моделей. Запропоновано архітектуру інтелектуальної системи класифікації. Для покращення результатів прогнозування застосовано ансамблевий підхід: кілька базових моделей навчались для вирішення однієї і тієї ж проблеми, з подальшим агрегуванням і покращенням отриманих результатів. Для пошуку компромісу між зміщенням та дисперсією, вла-стивих моделям машинного навчання, було використано дворівневу структуру ан-самблю. На першому рівні реалізовано ансамбль на основі стекінгу. На другому - на основі беггінгу. Проведено дослідження базових моделей класифікації та ансамбле-вих моделей на основі стекінгу та беггінгу, а також метрик оцінки ефективності використання базових класифікаторів та моделей першого та другого рівня. Визна-чено наступні параметри для усіх наведених методів у роботі: точність прогнозу-вання та коефіцієнт помилок, Каппа-статистика, чутливість та специфічність, точність та повнота, F-міра та площею під ROC-кривою. Визначено ефективність ансамблю моделей в порівнянні з кожною базовою моделлю.

Посилання

Marsland S. Machine Learning: An Algorithmic Perspective. Palmerston North: Massey University, 2015. 452 р.

Wang L., Cheng L., Zhao G. Machine Learning for Human Motion Analysis. Anhui: IGI Global, 2009. 318 p.

Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. California: Springer–Verlag, 2009. 746 p.

Artificial Intelligence: A Modern Approach.

URL: https://towardsdatascience.com/understanding–the–bias–variance–tradeoff (data zvernennia: 20.12.2022).

Opitz D., Maclin R. Popular ensemble methods: An empirical study: journal of Artificial Intelligence Research No. 11. El Segundo, 1999. P. 169–198.

Ensemble Methods to Optimize Machine Learning Models.

URL: https://hub.packtpub.com/ensemble–methods–optimize–machine–learning–models (data zvernennia: 20.12.2022).

Barmak O. V., Krak Yu. V., Manziuk E. A. Kharakterystyka dlia vyboru modelei u ansambli klasyfikatoriv: naukovyi zhurnal “Problemy prohramuvannia”. Kyiv, 2018. S. 171–179.

Understanding the Bias–Variance Tradeoff

URL: http://scott.fortmannroe.com/docs/BiasVariance.html (дата звернення: 20.12.2022).

Dietterich T., Ensemble Methods in Machine Learning.

URL: http://web.engr.oregonstate.edu/~tgd/publications/mcs–ensembles.pdf (дата звернення: 25.12.2022).

Ensemble methods: bagging, boosting and stacking. URL: https://towardsdatascience.com/ensemble–methods–bagging–boosting–andstacking- c9214a10a205 (дата звернення: 27.12.2022).

Moretti F., Pizzuti S., Panzieri S., Annunziato M., Urban traffic flow forecasting through statistical and neural network bagging ensemble hybrid modeling, Neurocomputing (2015).

Kim M.J., Kang D.K., Kim H.B. Geometric mean based boosting algorithm with over-sampling to resolve data imbalance problem for bankruptcy prediction, Expert Syst. Appl. 42 (3) (2015) 1074–1082.

Kang S., Cho S., Kang P. Multi-class classification via heterogeneous ensemble of one-class classifiers, Eng. Appl. Artif. Intell. 43 (2015) 35–43.

Bustinh i behhinh yak metody formuvannia ansamblei modelei / Verbivskyi D. S., Karpliuk, S. O., Fonariuk, O. V., Sikora, Ya. B. Zhytomyr: ZhDU im. Ivana Fran-ka, 2021. S. 163-169.

Zhi–Hua Zhou Ensemble Learning. URL: https://cs.nju.edu.cn/zhouzh/ zhouzh.files/ publication/springerEBR09.pdf (дата звернення: 20.12.2022).

Shah B.R., Lipscombe L.L. Clinical diabetes research using data mining: a Canadian perspective, Can. J. Diabetes 39 (3) (2015) 235–238.

Improvements on Cross–Validation: The 632+ Bootstrap Method. URL: https://www.tandfonline.com/doi/abs/10.1080/01621459.1997.10474007#.U2o7MVdMzTo (data zvernennia: 22.12.2022).

Ahmad A., Brown G. Random ordinality ensembles: ensemble methods for multi-valued categorical data, Inf. Sci. 296 (2015) 75–94.

Sluban B., Lavrac N. Relating ensemble diversity and performance: a study in class noise detection, Neurocomputing 160 (2015) 120–131.

Bashir S., Qamar U., Khan F.H. IntelliHealth: A medical decision support application using a novel weighted multi-layer classifier ensemble framework. Journal of Biomedical Informatics. – 2016. – vol.59. – pp.185- 200.

E–Commerce Shipping DataSet.

URL: https://www.kaggle.com/datasets/+prachi13/ customer-analytics (дата звер-нення: 15.11.2022)

Kalinina I.O., Hozhyi O.P. Doslidzhennia efektyvnosti metodiv klasyfikatsii pry prohnozuvanni v zadachakh mashynnoho navchannia. Upravlinnia rozvytkom skladnykh system. Kyiv, 2021. № 46. S. 173 – 180, dx.doi.org10.32347/2412-9933.2021.46.173-180.

Maniruzzaman M., Rahman MJ., Ahammed B. Classification and prediction of diabetes disease using machine learning paradigm. Health information science and systems, Vol. 8. Texas, 2020. P. 1–14.

Bidiuk P.I., Kuznietsova N.V., Terentiev O.M. Systema pidtrymky pryiniattia rishen dlia analizu danykh. Kyiv: Naukovi visti NTUU «KPI», 2011. S. 48–61.

Zhan Zh. Introduction to machine learning: k-nearest neighbors. Vienna: Ann Transl Med, 2016. 218 p.

Metryky v zadachakh mashynnoho navchannia.

URL: https://habr.com/ru/company/ods/blog/328372 (data zvernennia: 20.12.2022).

Опубліковано

2023-05-11