Supervised classification problem: new models of logical correctors

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

An approach to the correct supervised classification problem based on the application of logical data analysis methods is considered. The description of the operation scheme of logical classifier models aimed at constructing special fragments of precedent descriptions, called correct elementary classifiers, is provided. More complex models, namely models of logical correctors, are based on the synthesis of families of correct sets of elementary classifiers. Unlike classical models, logical correctors show good results in the case of multivalued features, i.e. features with a large number of different values. The article examines issues related to reducing time costs and improving the quality of classification of logical correctors. New deterministic and stochastic variants of such models are proposed, designed to work with partially ordered data. The results of experiments on model and real data are presented.

Full Text

Restricted Access

About the authors

I. E. Genrikhov

Federal Research Center “Computer Science and Control” of the Russian Academy of Sciences

Email: edjukova@mail.ru
Russian Federation, Moscow

E. V. Djukova

Federal Research Center “Computer Science and Control” of the Russian Academy of Sciences

Author for correspondence.
Email: edjukova@mail.ru
Russian Federation, Moscow

References

  1. Чегис И.А., Яблонский С.В. Логические способы контроля электрических схем // Сб. статей по математической логике и ее приложениям к некоторым вопросам кибернетики. Тр. МИАН СССР. М.: АН СССР, 1958. Т. 51. С. 270–360.
  2. Дюкова Е.В., Журавлёв Ю.И., Рудаков К.В. Об алгебро-логическом синтезе корректных процедур распознавания на базе элементарных алгоритмов // ЖВМ и МФ. 1996. Т. 36. № 8. С. 217–225.
  3. Djukova E.V., Zhuravlev Yu.I., Sotnezov R.M. Construction of an Ensemble of Logical Correctors on the Basis of Elementary Classifiers // Pattern Recognition and Image Analysis. 2011. V. 21. № 4. P. 599–605.
  4. Дюкова Е.В., Журавлёв Ю.И., Прокофьев П.А. Логические корректоры в задаче классификации по прецедентам // ЖВМ и МФ. 2017. Т. 57. № 11. С. 1906–1927.
  5. Журавлёв Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации // Пробл. кибернетики. М.: Наука, 1978. Вып. 33. С. 5–68.
  6. Воронцов К.В. Оптимизационные методы линейной и монотонной коррекции в алгебраическом подходе к проблеме распознавания // ЖВМ и МФ. 2000. Т. 40. № 1. С.166–176.
  7. Абламейко С.В., Бирюков А.С., Докукин А.А., Дьяконов А.Г., Журавлев Ю.И., Краснопрошин В.В., Образцов В.А., Романов М.Ю., Рязанов В.В. Практические алгоритмы алгебраической и логической коррекции в задачах распознавания по прецедентам // ЖВМ и МФ. 2014. Т. 54. № 12. С. 1979–1993.
  8. Дюкова Е.В., Масляков Г.О., Прокофьев П.А. О логическом анализе данных с частичными порядками в задаче классификации по прецедентам // ЖВМ и МФ. 2019. Т. 59. № 9. С. 1605–1616.
  9. Баскакова Л.В., Журавлёв Ю.И. Модель распознающих алгоритмов с представительными наборами и системами опорных множеств // ЖВМ и МФ. 1981. Т. 21. № 5. С. 1264–1275.
  10. Дюкова Е.В., Масляков Г.О., Дюкова А.П. Логические методы корректной классификации данных // Информатика и ее применения. 2023. Т. 17. Вып. 3. С. 64–70.
  11. Журавлёв Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М.: ФАЗИС, 2006. 159 с.
  12. Дюкова Е.В., Сизов А.В., Сотнезов Р.М. Об оптимальном корректном перекодировании целочисленных данных в распознавании // Информатика и ее применения. 2012. Т. 6. Вып. 4. C. 61–65.
  13. Дюкова Е.В., Прокофьев П.А. Об асимптотически оптимальных алгоритмах дуализации // ЖВМ и МФ. 2015. Т. 55. № 5. С. 895–910.
  14. Хачиян Л.Г. Избранные труды [cост. С. П. Тарасов]. М.: МЦНМО, 2009. 520 с.
  15. Лютикова Л.А., Шматова Е.В. Логический подход к коррекции результатов работы SP-нейронных сетей // Информационные технологии. 2018. Т. 24. № 2. С. 110–116.
  16. Дюкова Е.В., Масляков Г.О., Янаков Д.С. Корректная классификация по прецедентам: ДСМ-метод над произведением частичных порядков // Информатика и ее применения. 2024. Т. 18. Вып. 3. С. 61–68.
  17. Asuncion A., Newman D. 2007. UCI Machine Learning Repository. https://archive.ics.uci.edu/
  18. WEKA: Suite of Machine Learning Software, Developed at the University of Waikato. New Zealand, 2017. http://www.cs.waikato.ac.nz/~ml/weka/

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences