Разработка аналитического модуля на основе машины опорных векторов
Бесплатный доступ
Методы искусственного интеллекта являются эффективным инструментом, однако существует зависимость качества результатов от предметной области. Следовательно, актуальным будет такое программное обеспечение, которое позволит пользователю настроить его «под себя». Целью работы являлось создание решения указанного типа. Использовались методы опорных векторов, высокоуровневого программирования и сравнительного анализа. Заявленное программное обеспечение было разработано и протестировано; получены положительные результаты, подтверждающие возможность его практического использования.
Машина опорных векторов, искусственный интеллект, машинное обучение, классификация
Короткий адрес: https://sciup.org/140297453
IDR: 140297453
Текст научной статьи Разработка аналитического модуля на основе машины опорных векторов
Современное общество испытывает все большую потребность в средствах автоматизации. Технологии интеллектуальной обработки данных являются одним из инструментов, позволяющим решить указанную задачу. Однако явная корреляция между методом и предметной областью (метод приводит к необходимости разработки средств автоматизации (программного обеспечения) в формате, позволяющим пользователю корректировать настройки, исходя из данных, которые требуется обработать. Следовательно, можно утверждать, что работа, посвященная созданию приложения, обладающее упомянутыми возможностями, будет актуальна.
Цель работы была сформулирована так: разработка программного обеспечения (аналитической системы) на основе метода искусственного интеллекта (машина опорных векторов), с возможностью настройки значений его гиперпараметров.
Методы и исследование
В работе были использованы следующие методы.
Машина опорных векторов (Support Vector Machine) – один из лучших алгоритмов классификации, сравнимый по качеству работы с нейронными сетями [1].
Язык высокоуровневого программирования Python. С его помощью была реализована заявленная аналитическая система (АС) «Модуль «SVM» (см. рис.1).
Сравнительный анализ применялся для оценки качества работы АС.
f Модуль "SVM" - □ X
Основное меню
Настройка гиперпараметров Настройка режима работы

Сжатие:
Вероятность: Останов:
Макс, число итераций:
Форма решающей функции:

Рис. 1. Интерфейс АС «Модуль «SVM»
Результаты исследования
Для оценки качества работы системы был проведен эксперимент. Исходными данными послужил набор «Голосование депутатов конгресса» Использовалась перекрестная проверка с k , равным трем; метрика оценки качества – F 1 [3]. Было выполнено четыре прогона для следующих значений параметра «Ядро»: «rbf», «linear», «poly» и «sigmoid». Результаты представлены в табл. 1.
Таблица 1. Результаты эксперимента
Тип ядра |
F 1 |
Заключение
Как видно из представленных результатов, последний тип ядра продемонстрировал худшее качество, в разы отличающееся от прочих. Остальные позволили построить очень эффективные модели (значение F 1 – около единицы). Именно возможность настройки гиперпараметров позволила достигнуть данного результат. Таким образом, можно утверждать, что цель работы достигнута, а созданная АС может применяться для решения практических задач.
Список литературы Разработка аналитического модуля на основе машины опорных векторов
- Воробжанский, Н. Н. Использование метода опорных векторов в классификации изображений / Н. Н. Воробжанский // 2017. - № 5(92). - С. 11-18.
- Пальмов, С. В. Сравнение классификационных возможностей алгоритмов С4.5 и С5.0 / С. В. Пальмов, А. А. Мифтахова // Инфокоммуникационные технологии. - 2015. - Т. 13, № 4. - С. 467-471.
- F-measure: A forecasting-led time series distance measure in large-scale forecasting of video services performance / Y. Zhuo, J. You, H. Xue, J. Wang // 2018. - Vol. 14, No. 6. - P. 2175-2188.