Представлен краткий обзор теоретических положений, лежащих в основе использования самоорганизующихся карт Кохонена (СКК) для разведочного анализа данных, а также приведены результаты практического использования СКК для анализа набора медицинских данных посредством их визуализации. СКК-изображения используются как средство визуального анализа внутренней структуры данных. Показано, что СКК может также применяться для автоматического выделения кластеров или даже как система принятия решений в процессе анализа и визуализации множества многомерных данных в различных приложениях.

Рассмотрен процесс построения нечеткой нейросетевой классифицирующей модели (ННМ) на основе имеющихся числовых значений признаков. В связи с необходимостью построения ННМ, обладающей достаточной степенью интерпретируемости при сохранении точности классификации, предложено использовать трехэтапный подход к генерированию набора нечетких классифицирующих правил.

Рассмотрен процесс построения нечеткой модели классификации с использованием многокритериального генетического алгоритма (МКГА). Многокритериальный генетический алгоритм позволяет оптимизировать комбинацию целевых функций и таким образом получить несколько наборов недоминируемых нечетких правил классификации. Полученные наборы нечетких правил являются приближением к Парето оптимальному множеству решений МКГА. Множество наборов нечетких правил позволяет в каждом конкретном случае отобрать наиболее приемлемое решение с точки зрения соотношения между точностью и интерпретируемостью нечеткой модели классификации. На конкретном примере показаны результаты работы МКГА.

Предложено использовать температурное кодирование непрерывных количественных и порядковых входных переменных для получения интерпретируемых моделей на основе нейронных сетей.

Індекс рубрикатора НБУВ: Г214.2 + Г582.1

Рубрики:

Будова, фізичні та хімічні властивості органічних сполук

Поверхнево-активні речовини

Шифр НБУВ: Ж72631 Пошук видання у каталогах НБУВ 

Рассмотрен подход к выделению информативных признаков применительно к задаче распознавания подтипов транзиторных ишемических атак. Согласно предложенному подходу задача выделения признаков рассмотрена как задача многокритериальной оптимизации с двумя критериями. Оптимизация осуществлена с использованием специального генетического алгоритма, позволяющего в процессе эволюции получить множество недоминируемых решений оптимизационной задачи. Предложенный подход позволяет подключить эксперта на этапе окончательного принятия решений, предоставляя ему возможность отбора подмножества признаков, наиболее соответствующего его знаниям и представлениям о решаемой задаче.

Рассмотрена проблема разработки методов кластеризации, которые являются устойчивыми к инициализации (количество кластеров и начальные параметры кластеров), к различным по объему кластерам, к выбросам в данных. Предложен метод оценки кластерной структуры и кластеризации данных, который основан на расчете значений близости объектов данных в многомерном признаковом пространстве. Метод является устойчивым к инициализации параметров кластеризации, к выбросам в данных и позволяет определять кластерную структуру и количество кластеров в ходе самоорганизации объектов данных.

Рассмотрен новый эволюционный подход к построению ансамбля классификаторов (АК). Предложенный подход разработан на основании генетического алгоритма с модифицированной схемой реализации. В процессе оптимизации происходит определение параметров как отдельных классификаторов, так и всего ансамбля. С использованием подхода выполнено построение АК на нескольких наборах данных из архива данных по машинному обучению и на одном реальном наборе медицинских данных. Сравнительное тестирование показало преимущества использования предложенного подхода при работе с многомерными данными, характеризующимися большим количеством признаков.

Рассмотрен новый алгоритм обучения нечеткого классификатора, позволяющий с помощью генетических процедур обучать одновременно как базу правил, так и базу данных нечеткого классификатора (параметры функций принадлежности элементов предпосылки правила). Специально разработанные генетические процедуры позволяют параллельно оптимизировать несколько критериев, отвечающих за точность, интерпретируемость и компактность нечеткого классификатора. Сравнительное тестирование разработанного алгоритма с зарубежными аналогами на тестовом наборе данных Wine показало его преимущество в части интерпретируемости при сохранении высокой точности классификации.