Каскадний метод машинного навчання для підвищення точності розв'язання задач регресії

Abstract

Бакалаврська кваліфікаційна робота виконана студентом групи КН-410 Головенем Ростиславом Тарасовичем. Тема «Каскадний метод машинного навчання для підвищення точності розв'язання задач регресії». Робота направлена на здобуття ступеня бакалавр за спеціальністю 122 «Комп’ютерні науки». Метою роботи є реалізація каскадного методу машинного навчання на основі Методу Опорних Векторів (МОВ) з нелінійним розширенням входів з метою підвищення точності розв’язання задач апроксимації у випадку великих наборів медичних даних. Об’єктом дослідження є процеси інтелектуального аналізу медичних наборів даних великих обсягів. Предметом дослідження є каскадний підхід до побудови моделей машинного навчання для підвищення точності розв’язання задач апроксимації у випадку аналізу великих обсягів даних. Досягнення мети відбувається шляхом реалізації каскадного методу машинного навчання із використанням розкладу Іто та регресора на основі Машини опорних векторів з лінійним ядром. У результаті виконання дипломної роботи реалізовано каскадний метод машинного навчання на основі методу опорних векторів з нелінійним розширенням входів, та розроблено його програмну реалізацію. Апробацію роботи реалізованого каскадного методу машинного навчання здійснено з використанням реального біомедичного набору даних про серцевий ритм великого обсягу. Загальний обсяг роботи: 69 сторінок, 37 рисунків, 39 посилань. Graduate work executed by the student of group CS-410 Rostyslav Holoven. The topic is «Cascade method of machine learning for improving the accuracy of regression problems». Work is directed on reception obtain a bachelor's degree in the specialty 122 «Computer Science». The purpose of the work is to implement a cascade method of machine learning based on the Support Vector Machine (SVM) with a nonlinear expansion of inputs in order to improve the accuracy of solving approximation problems in the case of large sets of medical data. The research objective is the process of intellectual analysis of medical data sets of large volumes. The subject of the study is a cascading approach to building machine learning models to improve the accuracy of solving approximation problems in the case of extensive data analysis. The goal is achieved by implementing a cascading method of machine learning using the Ito schedule and a regressor based on a machine of reference vectors with a linear core. As a result of the thesis, a cascade method of machine learning based on the method of reference vectors with the nonlinear expansion of inputs is implemented, and its software implementation is developed. Approbation of realized cascade method of machine learning was performed using an actual biomedical data set of large heart rates. Total volume of work: 69 pages, 37 figures, 39 references.