|
Аннотация.
Рассмотрена проблема адекватного разбиения на классы в задаче распознавания или классификации. Приведены публикации, подтверждающие актуальность этого вопроса. Показано что при искусственном уменьшении количества классов в общем случае вектор вероятностей, являющийся решением задачи распознавания или классификации, не будет решением экстремальной задачи. Описан статистический классификатор, основанный на методе полиномиальной регрессии с использованием восьми параметров анализа периферической крови. Состояние пациента оценивается по градации из четырех классов исходного разбиения, которые заменяются на два. Для обоих способов разделения на классы проведено сравнительное исследование структуры обучающего множества. Каждый из четырех классов рассмотрен по отдельности. Анализ картины распределений подтверждает, что объединение исходных трех классов (исключая данный) в один приводит к упрощению структуры обучающей базы, и как следствие, потере информации.
Ключевые слова:
классификация, обучающее множество, структура базы, система организма, периферическая кровь, полиномиальная регрессия.
DOI 10.14357/20718632260203
EDN ANWPXR
Стр. 19-28.
Литература
1. DeGroff C.G., Bhatikar S., Hertzberg J., Shandas R., Valdes-Cruz L., Mahajan R. L. Artificial neural network-based method of screening heart murmurs in children // Circulation. 2001. 103 (22). Pp.2711-2716. 2. Sato F., Shimada Yu., Selaru F.M., Shibata D., Maeda M., Watanabe G., Mori Yu., Stass S.A., Imamura M., Meltzer S.J. Prediction of survival in patients with esophageal carcinoma using artificial neural networks // Cancer. 2005. 103 (8). Pp.1596–1605. 3. Kolchev A.A., Pasynkov D.V., Egoshin I.A., Kliouchkin I.V., Pasynkova O.O. Classification of benign and malignant solid breast lesions on the ultrasound images based on the textural features: the importance of the perifocal lesion area // Компьютерная оптика. 2024. 48 (5). С.157-165. 4. Андропова П.Л., Гаврилов П.В., Колесникова П.А., Кушнер А.В., Владимирский А.В., Васильев Ю.А., Трофимова Т.Н. Диагностическая эффективность отдельных систем автоматического анализа КТ-изображений в выявлении ишемического инсульта в бассейне средней мозговой артерии // Сибирский журнал клинической и экспериментальной медицины. 2023. 39 (3). С.194–200. 5. Obuchowski N.A., Bullen J.A. Statistical considerations for testing an AI algorithm used for prescreening lung CT images // Contemp Clin Trials Commun. 2019. (16): 100434. 6. Ставицкий Р.В., Лебедев Л.А., Лебедев А.Л., Смыслов А.Ю. Количественная оценка гомеостатической активности здоровых и больных людей. М.: ГАРТ, 2013. 131 с. 7. Гавриков Б.М., Лебеденко И.М., Пестрякова Н.В., Ставицкий Р.В. Об одном статистическом методе оценивания состояния здоровья человека // Труды ИСА РАН, 2016. 66 (2). С. 54-59. 8. Гавриков Б.М., Пестрякова Н.В. О построении признакового пространства в задаче обучения // Информационные технологии и вычислительные системы. 2018. №1. С. 22-29. 9. Гавриков Б.М., Пестрякова Н.В., Ставицкий Р.В. О свойствах обучающих множеств // Информационные технологии и вычислительные системы. 2018. №4. С. 97-107. 10. Гавриков Б.М., Гавриков М.Б., Пестрякова Н.В. Статистический метод распознавания на основе нелинейной регрессии // Математическое моделирование. 2020. Т.32. №4. С. 116-130. 11. Гавриков Б.М., Гавриков М. Б., Пестрякова Н. В. О способности статистического классификатора к обобщениям // Информационные технологии и вычислительные системы. 2021. № 4. С.38-50. 12. Schürmann J. Pattern Classification. 1996. New York: John Wiley&Sons, Inc. 373 p. 13. Ю.В.Линник. Метод наименьших квадратов и основы математико - статистической теории обработки наблюдений. 1958. М.:"Физматлит". 336 с. 14. Гавриков М.Б., Локуциевский О.В. Начала численного анализа. 1995. М.: Янус. 581 с.
|
