Решение задачи бинарной классификации с помощью методов машинного обучения
Автор: Даньшина А.А., Бабенко А.А.
Журнал: НБИ технологии @nbi-technologies
Рубрика: Информационные технологии в безопасности и телекоммуникациях
Статья в выпуске: 3 т.18, 2024 года.
Бесплатный доступ
В данном исследовании рассмотрены модели машинного обучения для решения задачи бинарной классификации. Представлен алгоритм обработки набора данных для обучения и тестирования, а также проведен сравнительный анализ предлагаемых моделей, по итогу которого была определена наиболее рациональная модель машинного обучения для выполнения поставленной цели.
Бинарная классификация, модели машинного обучения, набор данных, распределение данных, корреляци
Короткий адрес: https://sciup.org/149147330
IDR: 149147330 | DOI: 10.15688/NBIT.jvolsu.2024.3.4
Список литературы Решение задачи бинарной классификации с помощью методов машинного обучения
- %94 Accuracy All Classifiers Fraud Detection // Kaggle. - Electronic text data. - Mode of access: https://www.kaggle.com/code/tayfundogruer/94-accuracy-all-classifiers-fraud-detection.
- Алгоритм AdaBoost // Хабр. - Электрон. текстовые дан. - Режим доступа: https://habr.com/ru/companies/otus/articles/503888.
- Как заставить работать бинарный классификатор чуточку лучше // Хабр. - Электрон. текстовые дан. - Режим доступа: https://habr.com/ru/articles/228963.
- Метрики оценки качества моделей и анализ ошибок в машинном обучении. Подробное руководство // Хабр. - Электрон. текстовые дан. - Режим доступа: https://habr.com/ru/articles/821547.
- Повороты признаков в алгоритме AdaBoost // OSP. - Электрон. текстовые дан. - Режим доступа: https://www.osp.ru/netcat_files/userfiles/Hadoop_TBD_2_2016/Goy_tbd_2.pdf.
