| DC Field | Value | Language |
|---|
| dc.contributor.author | Герман, О. В. | - |
| dc.contributor.author | Герман, Ю. О. | - |
| dc.contributor.author | Наср, С. | - |
| dc.date.accessioned | 2021-10-27T06:04:37Z | - |
| dc.date.available | 2021-10-27T06:04:37Z | - |
| dc.date.issued | 2021 | - |
| dc.identifier.citation | Герман, О. В. Подход к построению классифицирующего дерева на виртуальных данных / Герман О. В., Герман Ю. О., Наср Сара Набиб // Интернаука. – 2021. – № 30(206). – С. 9–12. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/45711 | - |
| dc.description.abstract | Представлен новый подход к построению иерархического классифицирующего дерева, отличающийся тем, что не требует для создания дерева обучающей таблицы с реальными экспериментальными данными. Вместо этого используется техника полного факторного эксперимента с некоторыми ухищрениями, позволяющими снизить вероятность ложного распознавания практически до нуля (о качестве распознавания). Подробно описаны и теоретически обоснованы все шаги предложенного технического решения, а также доказана теорема об обеспечиваемом качестве распознавания.
Изложение иллюстрируется примером. Результат статьи могут использоваться научными работниками и инженерами при создании систем классификации, кластеризации, прогнозирования и пр. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | Интернаука | ru_RU |
| dc.subject | публикации ученых | ru_RU |
| dc.subject | виртуальные данные | ru_RU |
| dc.subject | классифицирующие деревья | ru_RU |
| dc.subject | virtual data | ru_RU |
| dc.subject | classification quality | ru_RU |
| dc.title | Подход к построению классифицирующего дерева на виртуальных данных | ru_RU |
| dc.title.alternative | A new approach to build classifying tree on virtual data | ru_RU |
| dc.type | Статья | ru_RU |
| local.description.annotation | A new approach to construction of a hierarchical classifying tree is presented, which differs in that it does not require a training table with real experimental data for training. Instead, the technique of a full factorial experiment is used with some tweaks to reduce the probability of false recognition to almost zero (the quality of recognition). All steps of the proposed technical solution are described in detail and theoretically substantiated, and a theorem on the quality of recognition provided is proved. The presentation is illustrated by an example. The result of the article can be used by scientists and engineers when creating systems for classification, clustering,forecasting, etc. | - |
| Appears in Collections: | Публикации в зарубежных изданиях
|
