Стекінгове об'єднання однорідних методів машинного навчання із використанням випадкового шуму: задача класифікації

Abstract

Магістерська кваліфікаційна робота виконана студентом КНСШ-22 Трушем Богданом Володимировичем. Тема: “Стекінгове об'єднання однорідних методів машинного навчання із використанням випадкового шуму: задача класифікації”. Роботу виконано для здобуття ступеня магістр за спеціальністю “Системи штучного інтелекту”. Метою дипломної роботи є удосконалення композиції стекінгового об’єднання однорідних методів машинного навчання шляхом декореляції набору даних на основі випадкового шуму для підвищення точності розв’язання задачі класифікації. Поставлена мета досягається шляхом формування унікальних наборів даних для кожного члену стекінгу шляхом додавання випадкових симетричних відхилень до даних вибірки, при якому очікується покращення результатів роботи стекінгових ансамблів методів машинного навчання при розв’язуванні задачі класифікації. Об’єктом дослідження є процеси композиції стекінгових методів машинного навчання у випадку розв’язання задачі класифікації. Предметом досліджень є методи декореляції наборів даних для формування стекінгового об’єднання з однорідних методів машинного навчання. Результатом магістерської кваліфікаційної роботи є реалізація стекінгового ансамблю для підвищення точності розв’язання задачі класифікації на основі композиції однорідних методів машинного навчання та декореляції набору даних для кожного з них із використанням випадкового шуму. Загальний обсяг роботи: 69c. In today's world, it makes sense to use machine learning tools to help make decisions in various areas. Machine learning allows you to predict the outcome of an event based on a selection of data from past outcomes. Based on this prediction, the user can make a decision in his activity. These opportunities can be especially useful in the field of medicine. In medicine, as usual, machine learning methods are very often used, which are closely related to the work of the natma image and the predicted determination of the patient's disease based on the analysis of X-ray images. In addition, you can often find machine learning models that work with given blood characteristics. This can allow you to make a certain blood test based on the given data about these cells and substances that are contained in the blood. It can also help classify blood and predict whether to potentially treat a patient. Based on blood input, the neural network is trained to recognize diseases such as diabetes or leukemia. This can help identify the threat to the patient in the early stages and start treatment as soon as possible, which in its case can significantly increase the patient's chances of recovery. One of the problems that often arise in medical practice is classification. Classification is a machine learning task, the goal of which is to teach a machine to distinguish objects and divide them according to predefined classes. Usually, the input parameters for a classification problem are a certain number of objects with a defined class. Together they form a sample. Other objects are also given, where I did not understand their belonging to one or another class in advance. The task of classification is to analyze objects whose class is unknown and to create an algorithm in order to package objects into classes that fit them according to their characteristics. The task of classification is to determine to which class the object selected for classification belongs. The very concept of object classification is understood as a certain class identifier that is assigned to a given object as a result of the machine learning algorithm.