Оптимальное квантование для повышения качества бинарных классификаторов
В статье рассматривается задача оптимального квантования и ее более общий случай – формирование конечных классов с целью предобработки выборок в машинном обучении для повышения качества бинарных классификаторов. На примере решения открытой конкурсной задачи показано, что предварительное формирова...
Збережено в:
Видавець: | Інститут проблем штучного інтелекту МОН України та НАН України |
---|---|
Дата: | 2013 |
Автори: | , |
Формат: | Стаття |
Мова: | Russian |
Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2013
|
Назва видання: | Искусственный интеллект |
Теми: | |
Онлайн доступ: | http://dspace.nbuv.gov.ua/handle/123456789/85110 |
Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
Цитувати: | Оптимальное квантование для повышения качества бинарных классификаторов / Н.Б. Паклин, В.В. Афанасьев // Искусственный интеллект. — 2013. — № 4. — С. 392–399. — Бібліогр.: 5 назв. — рос. |
Репозиторії
Digital Library of Periodicals of National Academy of Sciences of Ukraineid |
irk-123456789-85110 |
---|---|
record_format |
dspace |
spelling |
irk-123456789-851102015-07-20T03:01:54Z Оптимальное квантование для повышения качества бинарных классификаторов Паклин, Н.Б. Афанасьев, В.В. Интеллектуальные системы планирования, управления, моделирования и принятия решений В статье рассматривается задача оптимального квантования и ее более общий случай – формирование конечных классов с целью предобработки выборок в машинном обучении для повышения качества бинарных классификаторов. На примере решения открытой конкурсной задачи показано, что предварительное формирование конечных классов позволяет построить эффективные классификаторы даже с применением относительно простых средств интеллектуального анализа данных, таких как логистическая регрессия. У статті розглядається задача оптимального квантування і її більш загальний випадок - формування кінцевих класів з метою предобрабки вибірок у машинному навчанні для підвищення якості бінарних класифікаторів. На прикладі рішення відкритого конкурсного завдання показано, що попереднє формування кінцевих класів дозволяє побудувати ефективні класифікатори навіть із застосуванням відносно простих засобів інтелектуального аналізу даних, таких як логістична регресія. In the article the task of optimal quantization and its more general case – coarse classing for the purpose of sample data transforming in machine learning to improve the quality of binary classifiers. On the example of an open competition is shown that fine and coarse classing procedures allows build effective classifiers, even with a relatively simple data mining tools, such as logistic regression. 2013 Article Оптимальное квантование для повышения качества бинарных классификаторов / Н.Б. Паклин, В.В. Афанасьев // Искусственный интеллект. — 2013. — № 4. — С. 392–399. — Бібліогр.: 5 назв. — рос. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/85110 519.4 ru Искусственный интеллект Інститут проблем штучного інтелекту МОН України та НАН України |
institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
collection |
DSpace DC |
language |
Russian |
topic |
Интеллектуальные системы планирования, управления, моделирования и принятия решений Интеллектуальные системы планирования, управления, моделирования и принятия решений |
spellingShingle |
Интеллектуальные системы планирования, управления, моделирования и принятия решений Интеллектуальные системы планирования, управления, моделирования и принятия решений Паклин, Н.Б. Афанасьев, В.В. Оптимальное квантование для повышения качества бинарных классификаторов Искусственный интеллект |
description |
В статье рассматривается задача оптимального квантования и ее более общий случай – формирование
конечных классов с целью предобработки выборок в машинном обучении для повышения качества
бинарных классификаторов. На примере решения открытой конкурсной задачи показано, что предварительное
формирование конечных классов позволяет построить эффективные классификаторы даже с применением
относительно простых средств интеллектуального анализа данных, таких как логистическая регрессия. |
format |
Article |
author |
Паклин, Н.Б. Афанасьев, В.В. |
author_facet |
Паклин, Н.Б. Афанасьев, В.В. |
author_sort |
Паклин, Н.Б. |
title |
Оптимальное квантование для повышения качества бинарных классификаторов |
title_short |
Оптимальное квантование для повышения качества бинарных классификаторов |
title_full |
Оптимальное квантование для повышения качества бинарных классификаторов |
title_fullStr |
Оптимальное квантование для повышения качества бинарных классификаторов |
title_full_unstemmed |
Оптимальное квантование для повышения качества бинарных классификаторов |
title_sort |
оптимальное квантование для повышения качества бинарных классификаторов |
publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
publishDate |
2013 |
topic_facet |
Интеллектуальные системы планирования, управления, моделирования и принятия решений |
url |
http://dspace.nbuv.gov.ua/handle/123456789/85110 |
citation_txt |
Оптимальное квантование для повышения качества бинарных классификаторов / Н.Б. Паклин, В.В. Афанасьев // Искусственный интеллект. — 2013. — № 4. — С. 392–399. — Бібліогр.: 5 назв. — рос. |
series |
Искусственный интеллект |
work_keys_str_mv |
AT paklinnb optimalʹnoekvantovaniedlâpovyšeniâkačestvabinarnyhklassifikatorov AT afanasʹevvv optimalʹnoekvantovaniedlâpovyšeniâkačestvabinarnyhklassifikatorov |
first_indexed |
2023-10-18T19:30:23Z |
last_indexed |
2023-10-18T19:30:23Z |
_version_ |
1796147146010918912 |