DC Field | Value | Language |
dc.contributor.author | Варшавский, П. Р. | - |
dc.contributor.author | Ар Кар Мьо | - |
dc.contributor.author | Шункевич, Д. В. | - |
dc.date.accessioned | 2018-01-19T10:52:17Z | - |
dc.date.available | 2018-01-19T10:52:17Z | - |
dc.date.issued | 2017 | - |
dc.identifier.citation | Варшавский, П. Р. Применение методов классификации и кластеризации для повышения эффективности работы прецедентных систем / П. Р. Варшавский, Ар Кар Мьо, Д. В. Шункевич // Программные продукты и системы. – 2017. – Т. 30, №4. – С. 625 – 631. – DOI: 10.15827/0236-235X.030.4.625-631. | ru_RU |
dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/29429 | - |
dc.description.abstract | В статье рассматриваются актуальные вопросы повышения эффективности работы систем, использующих рассуждения на основе прецедентов (CBR – Case-Based Reasoning). Прецедентные методы и системы (CBR-системы) активно применяются для решения целого ряда задач в области искусственного интеллекта (например, для моделирования правдоподобных рассуждений (рассуждений здравого смысла), машинного обучения, интеллектуальной поддержки принятия решений, интеллектуального поиска информации, интеллектуального анализа данных и др.). Следует отметить, что современные инструменты для интеллектуального анализа данных, широко используемые сегодня в интеллектуальных системах, системах управления базами данных и знаний, бизнес-приложениях, системах машинного обучения, системах электронного документооборота и др., не обладают развитыми CBR-средствами.
Для повышения эффективности работы CBR-систем предлагается использовать модифицированный CBR-цикл, позволяющий сформировать базу удачных и неудачных прецедентов на основе имеющейся экспертной информации (тестовых выборок), а также модификацию алгоритма k ближайших соседей (k-NN) для извлечения прецедентов. Предложенные модификации позволяют повысить качество решения задач интеллектуального анализа данных (в частности, задачи классификации данных). Кроме того, в работе для повышения быстродействия CBR-систем рассматривается возможность сокращения количества прецедентов в базе удачных прецедентов за счет применения методов классификации и кластеризации.
С использованием разработанного в среде MS Visual Studio на языке C# прототипа CBR-системы проведены вычислительные эксперименты по оценке эффективности предлагаемых в работе решений на наборе данных из UCI Machine Learning Repository. | ru_RU |
dc.language.iso | ru | ru_RU |
dc.publisher | НИИ «Центрпрограммсистем» | ru_RU |
dc.subject | публикации ученых | ru_RU |
dc.subject | интеллектуальная система | ru_RU |
dc.subject | прецедентный подход | ru_RU |
dc.subject | интеллектуальный анализ данных | ru_RU |
dc.subject | классификация | ru_RU |
dc.subject | кластеризация | ru_RU |
dc.title | Применение методов классификации и кластеризации для повышения эффективности работы прецедентных систем | ru_RU |
dc.type | Статья | ru_RU |
Appears in Collections: | Публикации в зарубежных изданиях
|