Принципи та підходи до формування ансамблів класифікаторів на підставі агрегатування їх результатів

Abstract

У статті розглянуто та проаналізовано принципи формування та застосування ансамблів класифікаторів. Розглянуто переваги використання підходів агрегатування рішень класифікаторів. Аналіз принципів перерозподілу даних при розширенні ансамблю дав змогу сформувати вимоги до класифікаторів ансамблю, на підставі чого було виявлено умови вибору класифікаторів та критерії їх достатності. На базі критеріїв достатності встановлено умови застосовності принципу агрегації для граничних множин. Проведено аналіз неоднозначності прийняття рішень для симетричних множин класифікаторів. Визначено умови формування множини класифікаторів та встановлені критерії її достатності для вирішення завдання класифікації. Встановлено, що подальше розширення множини класифікаторів понад критерії достатності привносить помилки класифікації до множини правильних рішень усіх класифікаторів. Розширення множини класифікаторів дозволяє сформувати набір сполучень, який є трикутником Паскаля та проаналізувати граничний перерозподіл даних у процесі збільшення ансамблю.

The article considers principles of the formation and application of classifiers' ensembles. The advantages of using the approaches of aggregation of classifier solutions are considered. An analysis of the principles of data redistribution with the extended ensemble made it possible to formulate requirements for the classifiers of the ensemble. On the basis of what was found the conditions for the selection of classifiers and the criteria for their adequacy. On the basis of the sufficiency criteria, the applicability conditions for the principle of aggregation for boundary sets were established. An analysis of the ambiguity of decision making for symmetric sets of classifiers is carried out. The conditions for forming a set of classifiers and the criteria for its adequacy for solving the recognition problem are determined. It is established that further expansion of the set of classifiers over the sufficiency criterion brings classification errors to the set of correct solutions of all classifiers. The extension of the classifier set allows us to form a set of connections that is a Pascal triangle and to analyze the marginal redistribution of data in the process of increasing the ensemble.