|
Тематический выпуск
Правдоподобные рассуждения в алгоритме генерации хороших классификационных тестов
К. А. Найденоваa, В. А. Пархоменкоb, Т. А. Мартироваa, А. В. Щукинb a Военно-медицинская академия имени С.М. Кирова, Санкт-Петербург
b Санкт-Петербургский политехнический университет Петра Великого
Аннотация:
Статья посвящена применению принципов (правил) правдоподобных рассуждений к символьному машинному обучению (МО). Эти применения существенны и необходимы для увеличения эффективности алгоритмов МО. Множество таких алгоритмов порождают и используют правила в форме импликаций. Обсуждается генерация этих правил по отношению к классам объектов. Эти классификационные правила специфичны. Их посылки, называемые хорошими замкнутыми тестами (ХЗТ), покрывают максимально возможное множество объектов. Представлен один из алгоритмов генерации ХЗТ, называемый NIAGARA. Алгоритм пересмотрен и предложены новые процедуры на основе правдоподобных рассуждений. Их корректность доказывается. Используются следующие правила: импликации, запреты, индуктивные правила расширения текущих множеств целевых объектов, правила сокращения области поиска решений. Они позволяют увеличить эффективность алгоритма.
Ключевые слова:
правдоподобные рассуждения, замкнутые множества, хорошие диагностические тесты, анализ хороших тестов, символьное машинное обучение.
Образец цитирования:
К. А. Найденова, В. А. Пархоменко, Т. А. Мартирова, А. В. Щукин, “Правдоподобные рассуждения в алгоритме генерации хороших классификационных тестов”, Автомат. и телемех., 2024, № 3, 73–85; Autom. Remote Control, 85:3 (2024), 287–296
Образцы ссылок на эту страницу:
https://www.mathnet.ru/rus/at16366 https://www.mathnet.ru/rus/at/y2024/i3/p73
|
|