| Русский Русский | English English |
   
Главная Архив номеров
21 | 11 | 2019
10.14489/vkit.2016.10.pp.036-040

DOI: 10.14489/vkit.2016.10.pp.036-040

Крашенинников В. Р., Клячкин В. Н., Шунина Ю. С.
ОБНОВЛЕНИЕ АГРЕГИРОВАННЫХ КЛАССИФИКАТОРОВ НА ОСНОВЕ ПСЕВДОГРАДИЕНТНОЙ ПРОЦЕДУРЫ
(c. 36-40)

Аннотация. Предложена система классификации с учетом информации о вновь поступающих объектах, данные о которых могут со временем меняться. Использованы адаптивные агрегированные классификаторы, интегрирующие результаты различных методов машинного обучения. Показано, что адаптация к новым объектам осуществляется на основе псевдоградиентной корректировки параметров моделей, входящих в состав агрегированных классификаторов, что позволяет учитывать происходящие изменения, подстраиваться под них и осуществлять более точный прогноз.

Ключевые слова:  классификация; методы машинного обучения; агрегирование; обновление моделей; псевдо-градиент.

 

Krasheninnikov V. R., Klyachkin V. N., Shunina Yu. S.
PSEUDO-GRADIENT PROCEDURE AS A METHOD OF AGGREGATED CLASSIFIERS UPDATING
(pp. 36-40)

Abstract. Among the actual issues in the objects classification into classes is the development of models and adaptation them to a new objects, which details may vary according to changes in external conditions. In this regard, there is need to create ways to update the model parameters to account for the newly received data objects and ensure adequate classification accuracy. It is proposed automated system for separating objects into classes based on adaptive aggregate classifiers, integrating the results of various methods of classification. Using several classification methods allows to compensate some models’ disadvantages by the other models’ advantages, and to improve the accuracy of the forecast. At the same time it is determined the proportion of true and false predictions for each class. To adapt to the newly incoming data concerning the object it is proposed the method for updating the parameters of models, included into the aggregate classifiers, based on pseudo-gradient procedure. This procedure allows to find the best estimates of the model parameters with sufficiently rapid convergence, while having an incomplete data source and with minimal computational cost compared to other methods. The essence of the pseudo-gradient procedure is a permanent model parameters vector adjustment during receiving a new data concerning the object, which allows to monitor the changing situation. The developed system can be applied in matters of objects classification into classes in various areas of research. The numerical experiments results demonstrating the effectiveness of the proposed system, based on aggregated classifications and pseudo-gradient procedure.

Keywords: Classification; Methods of machine learning; Aggregation; Updating of models; Pseudo-gradient.

Рус

В. Р. Крашенинников, В. Н. Клячкин, Ю. С. Шунина (Ульяновский государственный технический университет, Ульяновск, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

V. R. Krasheninnikov, V. N. Klyachkin, Yu. S. Shunina (Ulyanovsk State Technical University, Ulyanovsk, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Рус

1. Разработка скоринговых моделей силами банка: Scorto™ Model Maestro [Электронный ресурс]. URL: http:// www.scorto.ru/model_maestro_scoring_models_development.htm (дата обращения: 07.09.2016).
2. SAS Enterprise Miner [Электронный ресурс]. URL: https: //www.sas.com/content/dam/SAS/ru_ru/doc/factsheet/sas-enterprise-miner-04-04-2016.pdf (дата обращения: 07.09.2016).
3. Клячкин В. Н. Статистические методы в управлении качеством: компьютерные технологии. М.: Финансы и статистика; ИНФРА-М, 2009. 304 с.
4. Клячкин В. Н., Шунина Ю. С. Система оценки кредитоспособности заемщиков и прогнозирования возврата кредитов // Вестник компьютерных и информационных технологий. 2015. № 11. С. 45 – 51. doi: 10.14489/vkit.2015.11.pp.045-051
5. Мерков А. Б. Распознавание образов. Введение в методы статистического обучения. М.: Едиториал УРСС, 2011. 256 с.
6. Ghodselahi A., Amirmadhi А. Application of Artificial Intelligence Techniques for Credit Risk Evaluation // Intern. Journal of Modeling and Optimization. August 2011. V. 1, № 3. P. 243 – 249.
7. Cheplygina V., Tax D. M. J. Pruned Random Subspace Method for One-Class Classifiers // Intern. Workshop on Multiple Classifier Systems. 2011. P. 96 – 105.
8. Тихонов Э. Е. Методы прогнозирования в условиях рынка: учеб. пособие. Невинномысск: [б. и.], 2006. 221 с.
9. Алёшина А. А. Использование псевдоградиента при выборе параметров модели вибраций гидроагрегата // Системы управления и информационные технологии. 2013. Т. 51, № 1.1. С. 113 – 117.
10. Васильев К. К., Крашенинников В. Р. Статистический анализ изображений. Ульяновск: Изд-во УлГТУ, 2014. 214 с.

Eng

1. Development of scoring models using bank’s own resources. Scorto™ Model Maestro. Available at: http:// www.scorto.ru/model_maestro_scoring_models_development.htm (Accessed: 07.09.2016). [in Russian language]
2. SAS Enterprise Miner. Available at: https: //www.sas.com/content/dam/SAS/ru_ru/doc/factsheet/sas-enterprise-miner-04-04-2016.pdf (Accessed: 07.09.2016).
3. Kliachkin V. N. (2009). Statistical methods in quality management: computer technologies: textbook. Moscow: Finansy i statistika; INFRA-M. [in Russian language]
4. Kliachkin V. N., Shunina Iu. S. (2015). System for borrowers’ credit worthiness assessment and repayment of loans forecasting. Vestnik komp'iuternykh i informatsionnykh tekhnologii, (11), pp. 45-51. doi: 10.14489/vkit.2015.11.pp.045-051 [in Russian language]
5. Merkov A. B. (2011). Pattern recognition: introduction to statistical learning. Moscow: Editorial URSS. [in Russian language]
6. Ghodselahi A., Amirmadhi А. (2011). Application of artificial intelligence techniques for credit risk evaluation. Intern. Journal of Modeling and Optimization, August 2011, 1(3), P. 243-249. doi: 10.7763/ijmo.2011.v1.43
7. Cheplygina V., Tax D. M. J. (2011). Pruned random subspace method for one-class classifiers. Intern. Workshop on Multiple Classifier Systems, pp. 96-105.
8. Tikhonov E. E. (2006). Forecasting methods in the market conditions: textbook. Nevinnomyssk. [in Russian language]
9. Aleshina A. A. (2013). Using pseudo gradient in the choice of model parameters of hydraulic unit vibrations. Sistemy upravleniia i informatsionnye tekhnologii, 51(1.1), pp. 113-117. [in Russian language]
10. Vasil'ev K. K., Krasheninnikov V. R. (2014). Statistical analysis of the images. Ul'ianovsk: Izdatel'stvo UlGTU. [in Russian language].

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа статьи заполните форму:

{jform=1,doi=10.14489/vkit.2016.10.pp.036-040}

.

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please fill out the form below:

{jform=2,doi=10.14489/vkit.2016.10.pp.036-040}

 

 

 

 

 

.

.

 

 

 
Поиск
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Баннер
Баннер
Rambler's Top100 Яндекс цитирования