ОБМЕЖЕНИЙ МЕТОД ДЛЯ ВИПАДКУ АЛГОРИТМІЧНОГО ДЕРЕВА КЛАСИФІКАЦІЇ

Autor: Povhan, I. F.
Jazyk: angličtina
Rok vydání: 2020
Předmět:
Zdroj: Radio Electronics, Computer Science, Control; № 4 (2020): Radio Electronics, Computer Science, Control; 106-117
Радиоэлектроника, информатика, управление; № 4 (2020): Радиоэлектроника, информатика, управление; 106-117
Радіоелектроніка, iнформатика, управління; № 4 (2020): Радіоелектроніка, інформатика, управління; 106-117
ISSN: 1607-3274
2313-688X
Popis: Context. The general problem of constructing the algorithmic recognition (classification) trees on the basis of a limited method in the artificial intelligence theory has been considered. The object of the present study is a concept of classification tree (a limited method-based algorithmic classification tree). The relevant methods, algorithms and schemes (a limited method) of constructing the algorithmic classification trees are the subject of this study. Objective. The goal of this work is to develop a simple and efficient limited method of constructing the tree-like recognition and classification models on the basis of the algorithmic classification trees for training selection of a large-volume discrete information that is characterized by a structure of classification trees obtained from independent recognition algorithms assessed in accordance with their general efficiency calculation functional for a wide class of applied tasks. Method. A limited method of constructing the algorithmic classification tree is suggested that constructs a tree-like structure for the preset initial training selection (an ACT model) consisting of a set of autonomous classification/recognition algorithms assessed at each ACT construction step (stage) in accordance with the initial classification. In other words, the limited method of constructing the algorithmic classification tree is suggested, and its idea is a step-by-step approximation of the arbitrary volume/structure selection by a set of independent classification/recognition algorithms. This method provides formation of a current algorithmic tree vertex (node, the generalized ACT attribute) with the selection of the most efficient (high-quality) autonomous classification algorithms from the initial set and construction completion of only those ACT structure paths, where the largest number of classification errors occurs. Such approach at constructing the resultant classification tree (the ACT model) allows the tree size and complexity (i.e. the total number of transitions, structure vertices and layers) to be reduced considerably, the quality of the next analysis (interpretability) and the possibility of decomposition to be increased as well as the ACT structures to be built given the limited hardware resources. The above limited method of constructing the algorithmic classification tree enables one to construct diverse tree-like recognition models with a preset accuracy for a wide class of the artificial intelligence theory tasks. Results. The limited method of constructing the algorithmic classification tree developed and presented in this work has software realization and was investigated and compared to the logical classification tree methods (on the basis of elementary attribute set selection) and the algorithmic tree classification methods (first and second-type ones) when solving the task of real geological data recognition. Conclusions. The experiments carried out in the present work have proved the performance capabilities of the software suggested and demonstrate the possibility of its promising utilization for the solution of a wide spectrum of applied recognition/classification problems. The outlook of further studies and approbations may be related to the creation of methods of other-type algorithmic classification trees that introduce a stopping criterion for the procedure of a tree model in accordance with the structure depth, optimization of its software realizations and to the experimental studies of this method for a wider circle of practical tasks.
Актуальность. Рассмотрена общая задача построения алгоритмических деревьев распознавания (классификации) на основе ограниченного метода в теории искусственного интеллекта. Объектом данного исследования является концепция дерева классификации (алгоритмического дерева классификации на базе ограниченного метода). Предметом исследования являются актуальные методы, алгоритмы и схемы (ограниченный метод) построения алгоритмических деревьев классификации.Цель. Целью данной работы является создание простого и эффективного ограниченного метода построения древовидных моделей распознавания и классификации на основе алгоритма деревьев классификации для учебных выборок дискретной информации большого объема – характеризуется структурой полученных деревьев классификации из независимых алгоритмов распознавания оцененных на основе функционала расчета их общей эффективности для широкого класса прикладных задач. Метод. Предлагается ограниченный метод построения алгоритмических деревьев классификации, который для заданной начальной обучающей выборки произвольного размера строит древовидную структуру (модель АДК), которая состоит из набора автономных алгоритмов классификации и распознавания, оцененных на каждом шаге (этапе) построения АДК по данной начальной выборке. То есть предлагается ограниченный метод построения алгоритмического дерева классификации основная идея которого заключается в по шаговой аппроксимации начальной выборки произвольного объема и структуры набором независимых алгоритмов классификации и распознавания. Данный метод при формировании текущей вершины алгоритмического дерева (узла, обобщенной признаки АДК) обеспечивает выделение наиболее эффективных (качественных) автономных алгоритмов классификации с начального набора и достройку только тех путей в структуре АДК где происходит наибольшее количество ошибок классификации. Такой подход при построении результирующего дерева классификации (модели АДК) позволяет значительно сократить размер и сложность дерева (общее количество переходов, вершин и ярусов структуры) во-визжит качество его последующего анализа (интерпретабельность), возможность декомпозиции, и строить структуры АДК в условиях ограниченных аппаратных ресурсов. Предложенный ограниченный метод построения алгоритмического дерева классификации позволяет строить разнотипные древовидные модели распознавания с наперед заданной точностью для широкого класса задач теории искусственного интеллекта.Результаты. Разработан и представлен в данной работе ограничен метод алгоритмического дерева классификации получил программную реализацию и был исследован и сравнен с методами логических деревьев классификации (на основе селекции набора элементарных признаков), методами алгоритмического дерева классификации (первого и второго типа) при решении задачи распознавания реальных данных геологического типа.Выводы. Проведенные в данной работе эксперименты подтвердили работоспособность предложенного математического обеспечения и показа-ют возможность его перспективного использования для решения широкого спектра практических задач распознавания и классификации. Перспективы дальнейших исследований и апробаций могут заключаться в создании методов алгоритмического дерева классификации других типов, которые заключаются в ведении критерия остановки процедуры построения модели дерева по глубине структуры, оптимизации его программных реализаций, а также экспериментальных исследованиях данного метода на более широкий круг практических задач.
Актуальність. Розглянута загальна задача побудови алгоритмічних дерев розпізнавання (класифікації) на основі обмеженого методу в теорії штучного інтелекту. Об’єктом даного дослідження є концепція дерева класифікації (алгоритмічного дерева класифікації на базі обмеженого методу). Предметом дослідження є актуальні методи, алгоритми та схеми (обмежений метод) побудови алгоритмічних дерев класифікації. Мета. Метою даної роботи є створення простого та ефективного обмеженого методу побудови деревоподібних моделей розпізнавання та класифікації на основі алгоритмічних дерев класифікації для навчальних вибірок дискретної інформації великого об’єму – який характеризується структурою отриманих дерев класифікації з незалежних алгоритмів розпізнавання оцінених на основі функціоналу розрахунку їх загальної ефективності для широкого класу прикладних задач.Метод. Пропонується обмежений метод побудови алгоритмічних дерев класифікації, який для заданої початкової навчальної вибірки довільного розміру будує деревоподібну структуру (модель АДК), яка складається з набору автономних алгоритмів класифікації та розпізнавання оцінених на кожному кроці (етапі) побудови АДК за даною початковою вибіркою. Тобто пропонується обмежений метод побудови алгоритмічного дерева класифікації основна ідея якого полягає в по кроковій апроксимації начальної вибірки довільного об’єму та структури набором незалежних алгоритмів класифікації та розпізнавання. Даний метод при формуванні поточної вершини алгоритмічного дерева (вузла, узагальненої ознаки АДК) забезпечує виділення найбільш ефективних (якісних) автономних алгоритмів класифікації з початкового набору та добудову лише тих шляхів в структурі АДК де відбувається найбільша кількість помилок класифікації. Такий підхід при побудові результуючого дерева класифікації (моделі АДК) дозволяє значно скоротити розмір та складність дерева (загальну кількість переходів, вершин та ярусів структури) підвищити якість його наступного аналізу (інтерпретабельність), можливість декомпозиції, та будувати структури АДК в умовах обмежених апаратних ресурсів. Запропонований обмежений метод побудови алгоритмічного дерева класифікації дозволяє будувати різнотипні деревоподібні моделі розпізнавання з наперед заданою точністю для широкого класу задач теорії штучного інтелекту.Результати. Розроблений та представлений в даній роботі обмежений метод алгоритмічного дерева класифікації отримав програмну реалізацію та був досліджений і порівняний з методами логічних дерев класифікації (на основі селекції набору елементарних ознак), методами алгоритмічного дерева класифікації (першого та другого типу) при розв’язку задачі розпізнавання реальних даних геологічного типу.Висновки. Проведені в даній роботі експерименти підтвердили працездатність запропонованого математичного забезпечення та показують можливість його перспективного використання для розв’язку широкого спектру практичних задач розпізнавання та класифікації. Перспективи подальших досліджень та апробацій можуть полягати в створенні методів алгоритмічного дерева класифікації інших типів, які полягають в веденні критерію зупинки процедури побудови моделі дерева за глибиною структури, оптимізації його програмних реалізацій, а також експериментальних дослідженнях даного методу на більш широке коло практичних задач.
Databáze: OpenAIRE
Externí odkaz: