Оптимальное квантование для повышения качества бинарных классификаторов

Abstract

В статье рассматривается задача оптимального квантования и ее более общий случай – формирование конечных классов с целью предобработки выборок в машинном обучении для повышения качества бинарных классификаторов. На примере решения открытой конкурсной задачи показано, что предварительное формирование конечных классов позволяет построить эффективные классификаторы даже с применением относительно простых средств интеллектуального анализа данных, таких как логистическая регрессия.

У статті розглядається задача оптимального квантування і її більш загальний випадок - формування кінцевих класів з метою предобрабки вибірок у машинному навчанні для підвищення якості бінарних класифікаторів. На прикладі рішення відкритого конкурсного завдання показано, що попереднє формування кінцевих класів дозволяє побудувати ефективні класифікатори навіть із застосуванням відносно простих засобів інтелектуального аналізу даних, таких як логістична регресія.

In the article the task of optimal quantization and its more general case – coarse classing for the purpose of sample data transforming in machine learning to improve the quality of binary classifiers. On the example of an open competition is shown that fine and coarse classing procedures allows build effective classifiers, even with a relatively simple data mining tools, such as logistic regression.