Логико-статистические модели в распознавании, прогнозировании и интеллектуальном анализе данных (курс лекций, О.В. Сенько)

Материал из MachineLearning.

Версия от 13:42, 14 октября 2011; Kropotov (Обсуждение | вклад)
(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)
Перейти к: навигация, поиск

Автор курса: с.н.с. каф. ММП, д.ф.-м.н. Сенько Олег Валентинович

Аннотация

В курсе рассматривается метод интеллектуального анализа данных, основанный на выделении в многомерном пространстве прогностических переменных областей, в которых значения прогнозируемой переменной достоверно отличаются от средних значений по всей выборке. Поиск областей производится с помощью метода построения оптимальных разбиений пространства прогностических переменных.

Для верификации и оптимизации выявленных закономерностей используется современная технология, основанная на рандомизированных перестановочных тестах.

В курсе рассматриваются методы прогнозирования и распознавания, основанные на вычислении коллективных решений по системам верифицированных закономерностей, найденных с помощью метода оптимальных разбиений.

В курсе рассматриваются коллективные решения, основанные на взвешенном голосовании (выпуклой коррекции).

Обсуждаются вопросы статистического обоснования выпуклой коррекции, а также способы выбора оптимальных взвешивающих коэффициентов. Приводятся примеры использования рассматриваемых методов при решении разнообразных прикладных задач.

Программа

  1. Задача изучения влияния прогностических переменных (признаков) на целевую величину. Выделение в многомерном пространстве прогностических переменных областей, в которых значения прогнозируемой переменной достоверно отличаются от средних значений по всей выборке. Метод оптимальных разбиений. Статистические методы верификации выявленных закономерностей. Рандомизированный перестановочный тест.
  2. Оптимизация сложности закономерностей, найденных методом оптимальных достоверных разбиений. Формирование финальных систем закономерностей. Выделение из них базовых подсистем. Примеры использования метода интеллектуального анализа данных, основанного на оптимальных достоверных разбиениях.
  3. Компоненты обобщённой ошибки прогнозирования. Разложение обобщённой ошибки прогнозирования и её компонент для выпуклых корректоров. Разложение дисперсии выпуклых корректоров.
  4. Методы построения выпуклых корректоров над системами закономерностей. Метод статистически взвешенного голосования.
  5. Метод распознавания «Статистически взвешенные синдромы». Примеры практического применения.

Литература

  1. Журавлёв Ю.И. Рязанов В.В. Сенько О.В. РАСПОЗНАВАНИЕ. Математические методы. Программная система. Применения. - Москва: Фазис, 2006
  2. Сенько О.В. Перестановочный тест в методе оптимальных разбиений. // Ж. выч. матем. и матем. физ. N9, 2003, с.1438-1447.
  3. А.В. Кузнецова, И.В. Костомарова, Н.Н. Водолагина, Н.А. Малыгина, О.В. Сенько. Изучение влияния клинико-генетических факторов на течение дисциркуляторной энцефалопатии с использованием методов распознавания // Матем. биолог. и биоинформ., 2011, том 6, выпуск 1, страницы 115–146.
  4. Oleg V.Senko and Anna V. Kuznetsova. The Optimal Valid Partitioning Procedures. InterStat. Statistics on the Internet, April, 2006.
  5. Сенько О.В., Докукин А.А. Оптимальные выпуклые корректирующие процедуры в задачах высокой размерности. ЖВМиМФ, Т. 51, №9 с.1751-1760, 2011
  6. Senko O., Kuznetsova A. A recognition method based on collective decision making using systems of regularities of various types // Pattern Recognition and Image Analysis, MAIK Nauka/Interperiodica. Vol. 20, No. 2, 2010, pp. 152-162.
Личные инструменты