Ансамблевый метод машинного обучения, основанный на рекомендации классификаторов

Ю. С. Кашницкий; Д. И. Игнатов

?

Ансамблевый метод машинного обучения, основанный на рекомендации классификаторов

Интеллектуальные системы. Теория и приложения. 2015. Т. 19. № 4. С. 37–55.

В статье дается краткое введение в ансамбли классификаторов в машинном обучении и описывается алгоритм, повышающий качество классификации за счет рекомендации классификаторов объектам. Гипотеза, заложенная в основу алгоритма, состоит в том, что классификатор скорее правильно классифицирует объект, если он правильно предсказал метки соседей этого объекта из обучающей выборки. Автор иллюстрирует принцип алгоритма на простом примере и описывает тестирование на реальных данных.

Научное направление: Компьютерные науки

Приоритетные направления: компьютерно-математическое

Язык: русский

Полный текст

Текст на другом сайте

Ключевые слова: машинное обучение классификация анализ формальных понятий Formal Concept Analysis ансамблевые методы machine learning classification ensemble methods

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:

Интеллектуальный анализ данных на основе решеток замкнутых описаний и прикладных онтологий (2015)

Pupillometry and autonomic nervous system responses to cognitive load and false feedback: an unsupervised machine learning approach

Alshanskaia E., Portnova G., Liaukovich K. и др., Frontiers in Neuroscience 2024 Vol. 18

Добавлено: 7 сентября 2026 г.

Oil Spill Segmentation in SAR Data Using ViT-UNet: Performance and Practical Insights

Зуенко Д. О., Трофимова Е. А., Хайдарова И., IEEE Access 2026 Vol. 14 P. 121339–121357

Добавлено: 7 сентября 2026 г.

Анализ безопасности хранения биометрических данных с использованием FaceNet

Стародубов К. В., Гвасалия Г. В., Карасев П. И., Нано-био-технологии. Тепло- и электроэнергетика. Математическое моделирование: сборник статей III международной научно-практической конференции (Липецкий государственный технический университет, Липецк, Россия) 2025 С. 219–223

В данной работе рассматривается понятие нейронных сетей, сверточных нейронных сетей, их архитектура и принцип работы с ними. Основное внимание уделяется проверки надежности хранения изображений людей в качестве эмбедингов, которые как считается не поддаются восстановлению в оригинальное изображение. В ходе исследования проводится эксперимент: эмбединг лица, конкретного человека сравнивается с набором эмбедингов, которые хранятся в одном файле ...

Добавлено: 6 сентября 2026 г.

Scalable machine learning approach to disordered s-wave superconductors

Неверов В. Д., Красавин А. В., Вагов А. В. и др., Physical Review B: Condensed Matter and Materials Physics 2026 Vol. 113 P. 1–6

Добавлено: 5 сентября 2026 г.

On the rate of Gaussian approximation for online linear regression problems

Шешукова М. Е., Durmus A., Khusainov M. и др., Statistics 2026 P. 1–25

Добавлено: 4 сентября 2026 г.

Proceedings of the 42nd Conference on Uncertainty in Artificial Intelligence (UAI), PMLR Volume 337, 17-21 August 2026, KIT, Amsterdam, the Netherlands

Proceedings of Machine Learning Research , 2026.

Добавлено: 4 сентября 2026 г.

A unified frequency-domain framework for tilted slice localization and ischemic stroke detection

Khodadoust J., Куликова С. П., Khodadoust F., Biomedical Signal Processing and Control 2027 Vol. 129 P. 111284–111284

Анализ острого ишемического инсульта (ОИИ) по двухмерным (2D) клиническим изображениям затруднен из-за неконтролируемого наклона срезов и геометрических несоответствий, нарушающих предположения моделей глубокого обучения (ГБО), не зависящих от положения. В данной статье предлагается унифицированная, учитывающая геометрию, частотно-доменная структура для локализации наклонных срезов и сегментации ишемического инсульта, которая явно разделяет оценку положения и анализ поражения. Метод сначала ...

Добавлено: 2 сентября 2026 г.

Proceedings of the 2026 Fourth International Conference on Distributed Computing and High Performance Computing (DCHPC)

IEEE, 2026.

Добавлено: 2 сентября 2026 г.

Асимметрия информации на рынке адвокатских услуг: создание рейтинга методами машинного обучения

Казун А. П., Девятников В. Ю., Белов М. Д., Вопросы теоретической экономики 2026 Т. 3 № 32 С. 115–135

Как понять, хорош адвокат или нет? В данной статье мы описываем методологию, позволяющую измерять качество юридической помощи через разницу между тем, что предсказывает модель машинного обучения по объективным характеристикам дела, и тем, чем дело закончилось в реальности. Мы исходим из предпосылки, что если у адвоката дела стабильно заканчиваются лучше ожидаемого, то он делает свою работу хорошо. ...

Добавлено: 28 августа 2026 г.

Discrete Markowitz Portfolio Optimization with Open-Source Classical and Quantum-Inspired Solvers: A Cross-Market Walk-Forward Study

Avdoshin S.M., Patrushev K. A., Proceedings of the Institute for System Programming of the RAS 2026 No. 4 часть 2 P. 245–256

Добавлено: 27 августа 2026 г.

Benchmarking Synolitic Graphs for Autism Classification from Multisite Resting-State fMRI

Заикин А. А., Власенко Д. В., Захаров Д. Г. и др., Diagnostics 2026 Vol. 16 No. 17 P. 1–15

Добавлено: 27 августа 2026 г.

Алгебра, теория чисел, дискретная геометрия и многомасштабное моделирование. Современные проблемы, приложения и проблемы истории. Материалы XXIV Международной конференции, посвящённой 110-летию со дня рождения академика Юрия Владимировича Линника и 110-летию со дня рождения профессора Андрея Борисовича Шидловского и 80-летию со дня рождения профессора Геннадия Ивановича Архипова

Тула: Тульский государственный педагогический университет им. Л.Н. Толстого, 2025.

Сборник содержит материалы, представленные на XXIV Международной конференции «Алгебра, теория чисел, дискретная геометрия и многомасштабное моделирование: современные проблемы, приложения и проблемы истории», посвящённой 110-летию со дня рождения академика Юрия Владимировича Линника и 110-летию со дня рождения профессора Андрея Борисовича Шидловского и 80-летию со дня рождения профессора Геннадия Ивановича Архипова. Материалы конференции будут полезны научным работникам, ...

Добавлено: 27 августа 2026 г.

Characterizing the Scheduling Performance of 5G NR Base Stations Under Signaling and Data Traffic Constraints

Eduard Sopin, Назарьин А. И., Бегишев В. О. и др., IEEE Transactions on Vehicular Technology 2026 Vol. 75 No. 6 P. 10995–11007

Добавлено: 26 августа 2026 г.

Генерация исходного кода с использованием больших языковых моделей: систематический обзор методологии Вайб-кодинг

Джонов А. Т., Авдошин С. М., Информационные технологии 2026 Т. 32 № 8 С. 421–427

В данном систематическом обзоре представлен анализ методологии Вайб-кодинг (Vibe Coding) — современно-го подхода к итеративному процессу разработки программного обеспечения с помощью больших языковых моделей (БЯМ). Инструменты генерации кода транформируют написание ПО, позволяя программисту формулировать задачи и описывать желаемое поведение кода на естественном языке, в то время как БЯМ генерирует соответ-ствующий запросам исходный код. Обзор систематиматизирует ...

Добавлено: 25 августа 2026 г.

An adaptive image watermarking scheme using cooperation of HBA and RSA metaheuristics

Мельман А. С., Евсютин О. О., Journal of the Franklin Institute 2026 Vol. 363 No. 15 Article 109005

Добавлено: 25 августа 2026 г.

Шизофрения и её влияние на лексический уровень языка

Тасенко О. А., Унтила К. В., Шишковская Т. И. и др., В кн.: Десятая международная конференция по когнитивной науке: Тезисы докладов. Пятигорск, 26–30 июня 2024 г.: Пятигорск: ОПиИД УНР ФГБОУ ВО «ПГУ», 2024. С. 328–329.

Шизофрения – это хроническое психическое расстройство, которое выражается как комбинация психотических симптомов, таких как галлюцинации, бред и дезорганизация когнитивных функций. Для шизофрении характерны трудности с поиском слов, приближение слов, то есть использование сходных по значению с нужным или же описывающих предполагаемое значение, а также использование негативной лексики чаще, чем в группе нормы, в том числе при описании ...

Добавлено: 24 августа 2026 г.

Proceedings of the 2026 12th International Conference on Control, Decision and Information Technologies (CoDIT) (Italy, Bari, July 13–16, 2026)

IEEE, 2026.

Добавлено: 24 августа 2026 г.

Volatility Forecasting From Econometrics To Artificial Intelligence: A Four-Stage Review Of The Evidence Pipeline From Forecast Accuracy To Portfolio Performance

Nikita I. Lysenok, International Journal of Computer Information Systems and Industrial Management Applications 2026 Vol. 18 No. 18s P. 1406–1430

A volatility forecast becomes useful only after it has passed through four stages: a model produces it, a trading rule consumes it, a portfolio aggregates the result, and an investor evaluates that result against a utility function. Each stage has its own mature evaluation apparatus, and each is studied in isolation. This review traces the ...

Добавлено: 23 августа 2026 г.

On calibration of remote sensing retrievals of ecosystem respiration (Reco) with tower measurements over,Russian forests and wetlands

Shabanov N., Kuricheva O., Kurbatova J. и др., / Series Working Papers SSRN "Department of Economics Ca’ Foscari University of Venice". 2026.

Добавлено: 21 августа 2026 г.

From data to knowledge: artificial intelligence methods for studying comorbidity in electronic health records

Лукьяненко Д. В., Рагимова А. А., Мухорина А. и др., European Physical Journal: Special Topics 2026 P. 1–24

Добавлено: 20 августа 2026 г.

Proceedings of the Generative Code Intelligence Workshop (GeCoIn 2026), co-located with the 35th International Joint Conference on Artificial Intelligence (IJCAI-ECAI 2026)

CEUR-WS.org, 2026.

Добавлено: 20 августа 2026 г.

MM-PSYCHE: Multimodal Multitask Psychological Characteristic Estimation Through Cross-Domain Semi-Supervised Learning

Рюмина Е. В., Аксёнов А. А., Коряковская Д. О. и др., IEEE Access 2026 Vol. 14 P. 124759–124778

Добавлено: 20 августа 2026 г.

Proceedings of the 1st Workshop on Linguistic Analysis for Health (HeaLing 2026)

Association for Computational Linguistics, 2026.

Добавлено: 19 августа 2026 г.

Hypergraphs from multivariate connectivity: caCOH-based EEG/MEG representation

Власенко Д. В., Саранская И. М., Захаров Д. Г., European Physical Journal: Special Topics 2026 P. 1–16

Гиперграфы предоставляют естественную систему для представления нейрофизиологических взаимодействий, распределённых по наборам датчиков. Ключевой методический вопрос заключается в том, каким образом следует определять гиперрёбра на основе частотно-разрешающих данных электроэнцефалографии и магнитоэнцефалографии (ЭЭГ/МЭГ). Мы предлагаем стратегию построения гиперграфа, в которой гиперрёбра получаются из канонической когерентности (caCOH) — расширения когерентности, которое оценивает степень связи между многомерными пространствами сигналов. Насколько ...

Добавлено: 18 августа 2026 г.