Исследование методов бинарной классификации

Введение ...... 3

1 Постановка задачи НИРС .. 5

2 ОБОСНОВАНИЕ ЦЕЛЕСООБРАЗНОСТИ РАЗРАБОТКИ АЛГОРИТМОВ БИНАРНОЙ КЛАССИФИКАЦИИ.. 6

2.1 Суть технической проблемы бинарной классификации. 6

2.2 Эффективность бинарной классификации. 6

2.3 Анализ существующих алгоритмов бинарной классификации. 10

2.3.1 «Случайный лес». 10

2.3.2 Градиентный бустинг деревьев решений. 12

2.3.3 Байесовский классификатор. 13

2.3.4 Дискриминантный анализ 15

2.3.5 Логистическая регрессия. 15

2.3.6 Метод опорных векторов. 17

ЗАКЛЮЧЕНИЕ. 19

СПИСОК использованных источников. 20

Внедрение интеллектуальных систем классификации порождает комплекс проблем, связанных с разработкой соответствующего программного обеспечения. Исследования, проведенные за последние несколько десятков лет, сформировали основу теории разработки и применения таких методов классификации.

Цель данной научно-исследовательской работы – обзор и анализ существующих методов классификации, а также готовых программных модулей, которые способствую построению интеллектуальной системы бинарной классификации.

В процессе работы необходимо провести обзор и анализ основных методов бинарных классификаций.

1.                Журавлёв, Ю.И. Распознавание. Классификация. Прогноз. Математические методы и их применение. / Ю.И. Журавлёв – Вып.2. – М. : Наука, 1989. – 163 с.

2.                Колесников, С. Распознавание образов. Общие сведения / С. Колесников // Сайт газеты «Компьютер-Информ» [Электронный ресурс]. – Режим доступа : http://www.ci.ru/inform03_06/p_24.htm

3.                Бидюк, П.И. Построение и методы обучения байесовских сетей / П.И. Бидюк, А.Н. Терентьев // Информатика и кибернетика. 2004. № 2. С. 140-154. 2.

4.                Breiman, W. “Random Forests”/ Machine Learning. 45(1). 2001. Р. 5-32. 3.

5.                Васильев, Н.П. Опыт расчета параметров логистической регрессии методом НьютонаРафсона для оценки зимостойкости растений / Н.П. Васильев, А.А. Егоров // Математическая биология и биоинформатика. 2011. Т. 6, № 2. С. 190-199. 4.

6.              Клячкин, В.Н. Сравнительный анализ точности нелинейных моделей при прогнозировании состояния системы на основе марковской цепи / В.Н. Клячкин, Ю.С. Донцова // Известия Самарского научного центра РАН. 2013. Т. 15, № 4(4). С. 924-927.

7.                Метод опорных векторов [Электронный ресурс]. – Режим доступа : https://ru.wikipedia.org/wiki/Метод_опорных_векторов