Гефан Г.Д., Рудоминский В.А., Щелоков И.В. Байесовский метод и его использование в задачах классификации данных // «Информационные технологии и математическое моделирование в управлении сложными системами»: электрон. науч. журн. – 2025. – №2. – С. 1-8. – Режим доступа: https://ismm.irgups.ru/toma/226-2025, свободный. – Загл. с экрана. – Яз. рус., англ. (дата обращения: 01.07.2025)
Исследовано использование байесовского подхода к задачам классификации. Проведены тесты с генерацией случайных векторов двух классов. Результаты демонстрируют зависимость надёжности байесовского классификатора от того, насколько близки классы по своим характеристикам, и сколь велик разброс данных внутри каждого класса. Наряду с этим предложен и исследован простой классификатор, основанный на линейной модели регрессии, в которой присутствует фиктивная переменная, отвечающая за класс. Оказалось, что этот метод даёт более высокую надёжность распознавания, чем наивный байесовский классификатор.
1. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. – М.: Фазис, 2005. – 159 с.
2. Кугаевских А.В., Муромцев Д.И., Кирсанова О.В. Классические методы машинного обучения. – СПб: Университет ИТМО, 2022. – 53с.
3. Marsland S. Machine Learning: An Algorithmic Perspective. CRC Press. – 2009. – 406 p.
4. Vapnik V.N. The Nature of Statistical Learning Theory. – Berlin : Springer – Verlag, 1995. – 334 p.
5. Гефан Г.Д., Иванов В.Б. Метод опорных векторов и альтернативный ему простой линейный классификатор // Информационные технологии и проблемы математического моделирования сложных систем. — Иркутск : ИрГУПС, 2012. — Вып. 10. — C. 84-94.
6. Машинное обучение: [Электронный ресурс]. URL: https://proproprogs.ru/ml. Дата обращения: 31.05.2025.