Анализ современных методов кластеризации и классификации
Ключевые слова:
Классификация, кластеризация, машинное обучение, искусственный интеллект, нейронные сети, алгоритмы классификацииАннотация
За последние 20 лет методы машинного обучения прошли серьезный этап своего развития и сейчас представляют собой весьма функциональный инструмент для анализа данных. В настоящее время они применяются в любой сфере деятельности человека и помогают решать разнообразные задачи - от кредитного скоринга и прогнозирования цен на товары до распознавания номерных знаков автомобилей и синтеза речи. Наиболее актуальными из них являются задачи классификации и кластеризации объектов. В статье приведен обзор и анализ современных методов, способных решать данные задачи.
Библиографические ссылки
Бишоп К.М. Распознавание образов и машинное обучение. М.: Вильямс, 2020. 960 с.
Andrew Y.Ng, Michael I. Jordan, Yair Weiss. On Spectral Clustering: Analysis and an algorithm // NIPS'01 : Proceedings of the 14th International Conference on Neural Information Processing Systems: Natural and Synthetic. 2001. Р. 849–856.
Brendan J., Delbert Dueck. Clustering by Passing Messages Between Data Points // SCIENCE. 2007. V. 315. P. 972–976.
Gass S.I., John F. Magee, Assad A. Profiles in Operations Research // International Series in Operations Research & Management Science. 2011. V. 147. – https://doi.org/10.1007/978-1-4419-6281-2_33.
Leo Breiman. Random Forests // Machine Learning volume. 2001. 45. Р. 5–32.
Marcel R. Ackermann Analysis of Agglomerative Clustering // Algorithmica. 2014. 69. Р. 184– 215.
Tianqi Chen, Carlos Guestrin. XGBoost: A Scalable Tree Boosting System // KDD '16: Proceedings of the 22nd ACM SIGKDD // International Conference on Knowledge Discovery and Data Mining. 2016. Р. 785–794.
