Библиографическое описание:Comparison of Ensemble Classifiers and Single Classifier : научное издание / Z. Z. Guo, E. A. Sopov, M. M. Gao. - Текст : непосредственный // Перспективы науки. - 2024. - № 4. - P. 47-51. - ISSN 2077-6810.
Аннотация:Currently, with a complex set of data, traditional classification methods cannot analyze the data effectively and accurately. The research objective is to use integrated classifiers for analysis, and to prove that the results are generally better. This article mainly considers the development of an effective integration of machine learning classifiers. Integrated learning itself is a supervised learning algorithm, as it can be trained and then used to make predictions. Therefore, the trained integrated model represents a hypothesis, but this hypothesis is not necessarily included in the hypothesis space in which the model is built. It can be proven that integrated learning has greater flexibility in the functions it can perform. Such flexibility allows them to retrain the training data instead of a single model, but in practice, some integrated algorithms (e.g., bagging algorithms) tend to reduce the problems associated with retraining of the training data. General scientific research methods are used in the work. A single classifier and an integrated classifier are used for comparison.
В настоящее время при наличии сложного набора данных традиционные методы классификации не могут эффективно и точно анализировать данные. Цель исследования - проанализировать интегрированные классификаторы для анализа и показать их преимущества. Статья посвящена разработке эффективной интеграции классификаторов машинного обучения. Интегрированное обучение само по себе представляет собой контролируемый алгоритм обучения, поскольку его можно обучить, а затем использовать для прогнозирования. Следовательно, обученная интегрированная модель представляет собой гипотезу, но эта гипотеза не обязательно включена в пространство гипотез, в котором построена модель. Можно доказать, что интегрированное обучение обладает большей гибкостью в функциях, которые оно может выполнять. Такая гибкость позволяет им переобучать обучающие данные вместо одной модели, но на практике некоторые интегрированные алгоритмы (например, алгоритмы пакетирования) имеют тенденцию уменьшать проблемы, связанные с переобучением обучающих данных. В работе использованы общенаучные методы исследования. Для сравнения используются единый классификатор и интегрированный классификатор.
Ключевые слова:ensemble classifier, data analysis, single classifier, bagging, boosting, ансамблевый классификатор, анализ данных, единый классификатор, упаковка в мешки, повышение
