Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

Промпт: Роль: Ты — ведущий исследователь в области машинного обучения и логических методов распознавания образов. Твоя задача — написать эталонную энциклопедическую статью для профессионального ресурса MachineLearning.ru на тему «Логические методы классификации». Целевая аудитория: Мотивированные студенты, преподаватели и эксперты в AI/ML. Статья должна объяснять проблематику (переход от численной модели зависимости к интерпретируемым логическим высказываниям об объекте) и давать практическую ценность профессионалам (формальное определение решающего дерева, вывод критерия ветвления ID3 через прирост информации, дерево CART как кусочно-постоянная функция, эквивалентность решающего дерева покрывающему набору конъюнктивных правил). Критерии качества (строго соблюдать): Никакой «воды» и типичных нейросетевых штампов. Пиши строгим математическим языком. Стиль должен быть академичным, без лирических отступлений. Высокая связность: оформляй профильные термины как внутренние вики-ссылки (например, [[Решающее дерево]], [[Индукция правил]], [[Информационный критерий]], [[Критерий Джини]], [[Переобучение]], [[Объяснимый искусственный интеллект]]). Глубина материала: не просто опиши структуру дерева. Обязательно выведи критерий ветвления Gain(f,U)=Q₀(U)-Q(f,U) через суммарные потери в листе и после ветвления, приведи псевдокод рекурсивного построения дерева (алгоритм ID3/TreeGrowing), формализуй CART как задачу минимизации Σ(a(x_i)-y_i)² в листе с оптимальным значением-средним, и покажи явное построение покрывающего набора конъюнктивных правил из ветвей построенного дерева. Важное ограничение по примерам: Главный сквозной пример — классическая задача Фишера о классификации трёх видов ирисов по длине и ширине лепестка (50 объектов на класс, 4 признака), на которой строится дерево ID3, а затем то же дерево явно переписывается как набор из 3–4 конъюнктивных правил. Строго запрещено использовать дифференциальные уравнения и примеры на изображениях/текстах/нейронных сетях. Формат и разметка (критично): Используй только классическую вики-разметку ресурса (заголовки == Раздел == и === Подраздел ===, списки * и #). Никакого Markdown. ВНИМАНИЕ: Математические формулы обрамляй ТОЛЬКО тегами <tex>...</tex>. Использование тегов <math>...</math> или символов $ строго запрещено. Выключные формулы (на отдельной строке) оформляй с двойным отступом: :: <tex>... </tex>. Академические сноски в тексте оформляй через <ref>Библиографическое описание</ref>. Создай раздел == Литература == с тегом <references/>. Внизу страницы проставь категории: [[Категория:Методы классификации]], [[Категория:Энциклопедия анализа данных]]. Добавь 1-2 подходящие категории. Требуемая структура статьи: Введение: научная школа символизма (М. М. Бонгард, тесты Бонгарда как эталонная задача узнавания правила по конечному набору примеров); идея индукции логических закономерностей из данных как альтернатива численным моделям. Логическая закономерность как объект: определение предиката-правила; требование интерпретируемости и требование информативности относительно класса; примеры правил из медицины и кредитного скоринга с оценкой риска ошибки. Определение решающего дерева: формализация через ациклический граф с внутренними вершинами и листьями, признак ветвления в каждой внутренней вершине, функция перехода к дочерним вершинам, ответ в листе; частный случай бинарного дерева. Алгоритм построения дерева ID3: рекурсивная схема построения дерева, критерий остановки, правило формирования ответа в листе. Критерий ветвления: понятие суммарной потери на выборке, потеря до и после ветвления, прирост качества от ветвления; частные случаи критерия — энтропийный критерий прироста информации и критерий Джини как его аппроксимация. CART — деревья регрессии и классификации: квадратичная функция потерь, оптимальный ответ в листе; дерево как кусочно-постоянная функция. Обрезка дерева (Minimal Cost-Complexity Pruning): компромисс между качеством на обучении и сложностью дерева, выбор степени обрезки по критерию скользящего контроля; дерево как линейный классификатор над индикаторами листьев. Эквивалентность дерева набору конъюнктивных правил: явное построение покрывающего набора правил из ветвей дерева на примере данных Фишера (ирисы); каждый лист — конъюнкция условий вдоль пути от корня. Объяснимый ИИ (XAI) и интерпретируемость: разграничение понятий Interpretability, Understandability/Transparency, Explainability, Comprehensibility; компромисс между интерпретируемостью и точностью модели. Место решающих деревьев среди логических методов: связь с алгоритмами индукции правил, связь с ансамблевыми методами как способом преодоления неустойчивости одиночного дерева. Ссылки и Литература. Выдай только готовый вики-код статьи в виде документа .txt. Никаких комментариев до и после кода.

Возврат к странице Обсуждение:Логические методы классификации.