Raqamli texnologiyalarning Yangi O‘zbekiston rivojiga ta’siri

 
RAQAMLI TEXNOLOGIYALARNING 
YANGI 
O‘ZBEKISTON
 RIVOJIGA 
TA’SIRI
 
Xalqaro ilmiy-amaliy konferensiyasi
 
в отобранном наборе признаков или величиной ошибочно расклассифицированных 
объектов, если выбор признаков осуществляется для конкретного правила классификации. 
При рассмотрении методов выбора признаков далее будем предполагать, что качество 
(информативность) признаков и их наборов оценивается по одному из этих критериев.
Задача определения оптимального набора признаков имеет относительно простое 
решение в условиях независимости исходных признаков 
𝑥
1
, 𝑥
2
, … , 𝑥
𝑁
. В этом случае 
последние ранжируются по значениям критерия информативности каждого из этих 
признаков, и для заданного 
ℓ
определяется наилучший набор 
𝑧̃ = (𝑥̃
1
, 𝑥̃
2
, … , 𝑥̃
ℓ
)
, 
включающий первые 
ℓ
наиболее информативных признаков ранжированного ряда. 
Подробное описание этого метода приводится в [6].
Ситуация существенно усложняется при коррелированности исходных признаков 
𝑥
1
, 𝑥
2
, … , 𝑥
𝑁
: для определения наилучшего набора из 
ℓ
признаков необходимо сравнить все 
возможные 
𝐶
𝑁
ℓ
наборов из 
ℓ
признаков. Если 
ℓ
не фиксировано, то количество вариантов 
достигает величины 
𝑃 = ∑
𝐶
𝑁
ℓ
𝑁
ℓ=1
= 2
𝑁
− 1.
Отсюда следует, что метод полного перебора хотя и гарантирует определение 
оптимального набора признаков 
𝑧̃ = (𝑥̃
1
, 𝑥̃
2
, . . . , 𝑥̃
ℓ
)
, однако его можно использовать лишь 
при небольшом числе исходных признаков.
В связи с этим обстоятельством в прикладных исследованиях обычно используются 
методы частичного перебора, позволяющие получить субоптимальный набор признаков 
при сравнительно малых вычислительных затратах. Согласно [6] среди них наиболее 
распространенными считаются методы, использующие процедуры последовательного 
отбрасывания 
признаков 
(алгоритм 
«последовательной 
селекции 
назад»), 
последовательного присоединения признаков (алгоритм «последовательной селекции 
вперед»), а также комбинации этих процедур. 
Результаты сравнительного анализа этих методов по вычислительным затратам 
приведены в [6], где показано, что в условиях представительной выборки процедура 
последовательного присоединения обеспечивает результаты, более близкие к 
оптимальному, чем процедура последовательного отбрасывания. Каждому из этих методов 
присущи свои недостатки. Например, при реализации процедуры последовательного 
присоединения нельзя отбросить признак, включенный в оптимальный набор на 
предыдущих шагах, а при использовании процедуры последовательного отбрасывания не 
учитывается статистическое влияние исключенных ранее признаков. 
Другим широко применяемым методом выбора информативных признаков является 
случайный поиск с адаптацией (метод СПА) [7,8], использующий псевдослучайный датчик 
для генерирования булевских векторов 
𝜆
таких, где 
∑
𝜆
𝑗
𝑁
𝑗=1
= ℓ
. При этом вероятность 
выпадения каждого из 
𝑁
признаков в начале одинакова и равна 
1
𝑁
. Иными словами, на основе 
вектора вероятностей 
𝑝 = (𝑝
1
, 𝑝
2
, . . . , 𝑝
𝑁
)
, где 
𝑝
𝑗
-
вероятность выпадения признака 
𝑗
,
датчик 

---

250