IX Международная студенческая научная конференция Студенческий научный форум - 2017

Огромный объем данных, который постоянно используется в современном мире требует специальных методов обработки. Цель каждой обработки – это анализ и получение каких - либо выводов. Удобным методом для работы с огромными объемами является классификация. Ее задача из множества единичных объектов получить конечные множества, которые объединяют эти единичные объекты по определенным признакам. Так как в большинстве случаев в процессе классификации объектов исследователь как правило не обладает полным знанием и объем выборки ограничен, то следует обратить внимание на те алгоритмы, которые способны решить данную проблему. С этой задачей хорошо справляются концептуальные алгоритмы, то есть алгоритмы, использующие в своей основе априорные вероятности. Это дает им неоспоримые преимущества перед классическими алгоритмами.

Целью данной работы является: снижение трудоемкости алгоритмов концептуальной классификации. Для достижения поставленной цели был очерчен круг исследовательских задач:

• Провести анализ концептуальной классификации, алгоритмов концептуальной классификации, методов оценки трудоемкости алгоритмов.

• Составить математическое описание информационной системы оценки трудоемкости алгоритмов концептуальной классификации.

• Выполнить программную реализацию информационной системы оценки трудоемкости алгоритмов концептуальной классификации.

• Определить параметры, влияющие на эффективность реализованных алгоритмов информационной системы оценки трудоемкости алгоритмов концептуальной классификации.

Постановка задачи

Классификация является задачей разбиения множества объектов на некоторые группы, которые называются классами. Внутри каждой группы должны находиться «схожие» объекты, тогда как объекты разных группы должны быть максимально отличны.

Большим достоинством классификации является то, что она позволяет выполнить разбиение объектов не по одному заданному параметру, а по заданному набору признаков. Недостатком данного подхода является четкое задание классов, на которые необходимо разбить данные. Но концептуальные алгоритмы позволяют производить классификацию не на основе четких данных, а на основе вероятности принадлежности к тому или иному классу. Это делает их более гибкими и удобными для решения многих задач. Но встает вопрос о целесообразности использования данных алгоритмов. И самым первым вопросом, на который следует ответить, это является ли вероятностная классификация достаточно качественной для ее использования.

Оценка качества классификации может быть произведена двумя способами:

1. Формальный способ. Формальный способ основан на определении формальных критериев. Наилучшим считается решение, для которого значение формального критерия максимально.

2. Экспертный способ. Решение оценивается специалистами заданной предметной области.

В программной реализации планируется реализовать рассмотренные методы концептуальной классификации и определить параметры, влияющие на их трудоемкость.

Библиографический список

1. Назаров А. О. Модель и метод концептуальной кластеризации объектов, характеризуемых нечеткими параметрами // Фундаментальные исследования. 2014. №9-5 С.993-997.