Технические науки

METHODS OF REDUCING ATTRIBUTES IN MACHINE LEARNING WHEN WORKING WITH APPROXIMATE SETS [МЕТОДИКА СНИЖЕНИЯ ТРИБУТОВ В МАШИННОМ ОБУЧЕНИИ ПРИ РАБОТЕ С ПРИБЛИЖЕННЫМИ МНОЖЕСТВАМИ]

Usov A.Yе., Varlamov A.A., Babkin O.V., Dos E.V., Mostovshchikov D.N.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Usov Aleksey Yevgenyevich – Lead Systems Architect;

Varlamov Aleksandr Aleksandrovich – Senior Solution Architect;

Babkin Oleg Vyacheslavovich – Senior System Architect;

Dos Evgeniy Vladimirovich – System Architect;

Mostovshchikov Dmitriy Nikolayevich – Senior System Architect,

 IT INTEGRATOR «LI9 TECHNOLOGY SOLUTIONS»,

RALEIGH, UNITED STATES OF AMERICA

Abstract: the article provides a detailed analysis of known approaches to the generalization of concepts in terms of their application to real data arrays based on the use of attributes in machine learning. In order to visualize the main stages of machine learning, Figure 1 is shown. It becomes clear that in order to build the necessary qualification rules for the task, it is necessary to work with attributes that meet the requirements of the task.

The analysis of scientific papers on the subject of this article suggests that the use of the theory of approximate methods provides an opportunity to successfully solve tasks related to contradictory and incomplete information.

A review of current methods in the theory of approximate sets is carried out, as well as the listed main contradictions with which the researcher can combine to extract and systematize the knowledge contained in the information arrays. A practical implementation is described using the theory of lower and upper approximations, since they allow an assessment of the belonging of the element under study to a set that has fuzzy boundaries.

Successful practical implementation of the method of reducing attributes in machine learning requires digitized data, since it is the data that will determine the quality and completeness of the solution of the problem, based on this, the main theoretical aspects of the generalization algorithm construction using the theory of approximate sets.

Keywords: machine learning, approximate set, attributes, model, information system, discretization, approximation, boundary region, array.

Усов А.Е., Варламов А.А., Бабкин О.В., Дос Е.В., Мостовщиков Д.Н.

Усов Алексей Евгеньевич – ведущий архитектор;

Варламов Александр Александрович – старший архитектор;

Бабкин Олег Вячеславович – старший архитектор;

Дос Евгений Владимирович – архитектор;

Мостовщиков Дмитрий Николаевич – старший архитектор,

 системный интегратор «Li9 Technology Solutions»,

г. Райли, Соединенные Штаты Америки

Аннотация: в статье осуществляется детальный анализ известных подходов к обобщению понятий в плане их применения к реальным массивам данных на основе использования атрибутов в машинном обучении. С целью визуализации основных этапов машинного обучения приведен рисунок 1, где становится ясно, что для того, чтобы построить необходимые к поставленной задачи квалификационные правила, необходимо работать с атрибутами, которые соответствуют  требованиям задачи.

Проведенный анализ научных работ по тематике данной статьи позволяет утверждать, что использование теории приближенных методов предоставляет возможность успешно решать задания, связанные с противоречивой и неполной информацией.

Проводится обзор актуальных методов в теории приближенных множеств, а также перечисленные основные противоречия, с которыми может столкнуться исследователь при извлечении и систематизации знаний, которые содержатся в информационных массивах. Описана практическая реализация с использованием теории нижней и верхней аппроксимации, поскольку они позволяют провести оценку принадлежности исследуемого элемента к множеству, которое имеет нечеткие границы.

Успешная практическая реализация методики снижения атрибутов в машинном обучении требует оцифрованных данных, поскольку именно от данных будет зависеть качество и полнота решения поставленной задачи, исходя из этого в статье изложены основные теоретические аспекты построения алгоритма обобщения с использованием теории приближенных множеств.

Ключевые слова: машинное обучение, приближенное множество, атрибуты, модель, информационная система, дискретизация, аппроксимация, граничная область, массив.

Список литературы / References

1. Воронина В.В., Мошкин В.С. Разработка приложений для анализа слабоструктурированных информационных ресурсов: учебное пособие / Воронина В.В., Мошкин В.С. Ульяновск: УлГТУ, 2015. 162 с.
2. Клячкин В.Н. и др. Применение методов машинного обучения при решении задач техической диагностики // Научный вестник УВАУ ГА (И), 2016. Т. 8. С. 158–161.
3. Hinton G., Osindero S., Teh Y. A Fast learning Algorithm for Deep Belief Nets. Neural Computation, 2006. 18 (7): 1527-1554.
4. Lan A.S. et al. Mathematical languageprocessing: Automatic grading and feedback for open response mathematical questions //Proceedings of the Second (2015) ACM Conference on Learning@ Scale. ACM, 2015. С. 167–176.
5. Rasmussen C.E. The infnite Gaussian mixture model. In Advances in Neural Information Pro-cessing Systems, Vol. 12, 2000.
6. Wu X. еt al. Top 10 algorithms in data mining //Knowledge and information systems, 2008. Т. 14. № 1. С. 1–37.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования. Усов А.Е., Варламов А.А., Бабкин О.В., Дос Е.В., Мостовщиков Д.Н. МЕТОДИКА СНИЖЕНИЯ ТРИБУТОВ В МАШИННОМ ОБУЧЕНИИ ПРИ РАБОТЕ С ПРИБЛИЖЕННЫМИ МНОЖЕСТВАМИ [METHODS OF REDUCING ATTRIBUTES IN MACHINE LEARNING WHEN WORKING WITH APPROXIMATE SETS] // LX International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства: https://scientific-conference.com/grafik/grafik-2019-pervoe-polugodie.html(Boston, USA - 23 July, 2019). с. {см. сборник}

 

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях

Tweet