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...
Saved in:
| Published in: | Искусственный интеллект |
|---|---|
| Date: | 2013 |
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2013
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/85110 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Оптимальное квантование для повышения качества бинарных классификаторов / Н.Б. Паклин, В.В. Афанасьев // Искусственный интеллект. — 2013. — № 4. — С. 392–399. — Бібліогр.: 5 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-85110 |
|---|---|
| record_format |
dspace |
| spelling |
Паклин, Н.Б. Афанасьев, В.В. 2015-07-19T12:01:26Z 2015-07-19T12:01:26Z 2013 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 https://nasplib.isofts.kiev.ua/handle/123456789/85110 519.4 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. ru Інститут проблем штучного інтелекту МОН України та НАН України Искусственный интеллект Интеллектуальные системы планирования, управления, моделирования и принятия решений Оптимальное квантование для повышения качества бинарных классификаторов Оптимальне квантування для підвищення якості бінарних класифікаторів Optimal quantization to improve the quality of binary classifiers Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Оптимальное квантование для повышения качества бинарных классификаторов |
| spellingShingle |
Оптимальное квантование для повышения качества бинарных классификаторов Паклин, Н.Б. Афанасьев, В.В. Интеллектуальные системы планирования, управления, моделирования и принятия решений |
| 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 |
| author |
Паклин, Н.Б. Афанасьев, В.В. |
| author_facet |
Паклин, Н.Б. Афанасьев, В.В. |
| topic |
Интеллектуальные системы планирования, управления, моделирования и принятия решений |
| topic_facet |
Интеллектуальные системы планирования, управления, моделирования и принятия решений |
| publishDate |
2013 |
| language |
Russian |
| container_title |
Искусственный интеллект |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| format |
Article |
| title_alt |
Оптимальне квантування для підвищення якості бінарних класифікаторів Optimal quantization to improve the quality of binary classifiers |
| 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.
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.
|
| issn |
1561-5359 |
| url |
https://nasplib.isofts.kiev.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. |
| work_keys_str_mv |
AT paklinnb optimalʹnoekvantovaniedlâpovyšeniâkačestvabinarnyhklassifikatorov AT afanasʹevvv optimalʹnoekvantovaniedlâpovyšeniâkačestvabinarnyhklassifikatorov AT paklinnb optimalʹnekvantuvannâdlâpídviŝennââkostíbínarnihklasifíkatorív AT afanasʹevvv optimalʹnekvantuvannâdlâpídviŝennââkostíbínarnihklasifíkatorív AT paklinnb optimalquantizationtoimprovethequalityofbinaryclassifiers AT afanasʹevvv optimalquantizationtoimprovethequalityofbinaryclassifiers |
| first_indexed |
2025-11-30T10:59:24Z |
| last_indexed |
2025-11-30T10:59:24Z |
| _version_ |
1850857420182519808 |