Logical classification based on finding regular representative elementary classifiers

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

An approach to the supervised classification problem based on the apparatus of discrete mathematics (logical methods of data analysis) is considered. The possibility of time costs reducing at the stage of correct logical classifier training is investigated. New models of classifiers are proposed. These models are based on finding frequently occurring fragments of a special type in the descriptions of precedents — regular elementary classifiers. Descriptions of classifier models are given using the concepts of logical functions theory. To construct sought fragments, the authors have developed and implemented an original algorithm. The effectiveness of proposed classifier models has been experimentally substantiated and confirmed by theoretical estimates of their training complexity. An upper asymptotic estimate of the typical number of regular elementary classifiers is obtained.

Texto integral

Acesso é fechado

Sobre autores

N. Dragunov

Federal Research Center «Computer Science and Control» of the Russian Academy of Sciences

Autor responsável pela correspondência
Email: nikitadragunovjob@gmail.com
Rússia, Moscow

E. Djukova

Federal Research Center «Computer Science and Control» of the Russian Academy of Sciences

Email: nikitadragunovjob@gmail.com
Rússia, Moscow

A. Djukova

Federal Research Center «Computer Science and Control» of the Russian Academy of Sciences

Email: nikitadragunovjob@gmail.com
Rússia, Moscow

Bibliografia

  1. Crama Y., Hammer P.L., Ibaraki T. Cause-effect Relationships and Partially Defined Boolean Functions // Ann. Oper. Res. 1988. V. 16. Iss. 1. P. 299–325.
  2. Журавлёв Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М.: ФАЗИС, 2006. 159 с.
  3. Масич И.С. Метод оптимальных логических решающих правил для задач распознавания и прогнозирования // Системы управления и информационные технологии. 2019. Т. 75. № 1. С. 31–37.
  4. Бонгард М.М., Вайнцвайг М.Н., Губерман Ш.А., Извекова М.Л., Смирнов М.С. Использование обучающейся программы для выявления нефтеносных пластов // Геология и геофизика. 1966. № 6.
  5. Баскакова Л.В., Журавлёв Ю.И. Модель распознающих алгоритмов с представительными наборами и системами опорных множеств // ЖВМ и МФ. 1981. Т. 21. № 5. С. 1264–1275.
  6. Дюкова Е.В., Журавлёв Ю.И. Дискретный анализ признаковых описаний в задачах распознавания большой размерности // ЖВМ и МФ. 2000. Т. 40. №8. С. 1264–1278.
  7. Яблонский С.В., Чегис И.А. О тестах для электрических схем // УМН. 1955. Т. 10. Вып. 4(66). С. 182–184.
  8. Дюкова Е.В., Журавлёв Ю.И. Задача монотонной дуализации и ее обобщения: асимптотические оценки числа решений // ЖВМ и МФ. 2018. Т. 58. № 12. С. 2153–2168.
  9. Дюкова Е.В., Инякин С.А. Об асимптотически оптимальном построении тупиковых покрытий целочисленной матрицы // Математические вопросы кибернетики. 2008. № 17. С. 247–262.
  10. Дюкова Е.В., Прокофьев П.А. Об асимптотически оптимальных алгоритмах дуализации // ЖВМ и МФ. 2015. Т. 55. № 5. С. 895–910.
  11. Dragunov N., Djukova E., Djukova. А. Supervised Classification and Finding Frequent Elements in Data // 8th Intern. Conf. on Information Technology and Nanotechnology Proceedings. N.J.: IEEE, 2022. P. 5.
  12. Johnson D.S., Yannakakis M., Papadimitriou C.H. On Generating All Maximal Independent Sets // Information Processing Letters. 1988. V. 27. Iss. 3.
  13. Дюкова Е.В., Песков Н.В. Поиск информативных фрагментов описаний объектов в дискретных процедурах распознавания // ЖВМ и МФ. 2002. Т. 42. № 5. С. 741–753.
  14. Дюкова Е. В., Дюкова А. П. О числе решений некоторых специальных задач логического анализа целочисленных данных // Изв. РАН. ТиСУ. 2023. № 5. С. 57–66.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Formula

Baixar (56KB)
Metadados
3. Fig. 1. Dependence of the training time of models on the number of features when

Baixar (145KB)
Metadados
4. Fig. 2. Dependence of the training time of models on the number of precedents at

Baixar (115KB)
Metadados

Declaração de direitos autorais © Russian Academy of Sciences, 2024