Детальная информация

Данная работа посвящена разработке модификации алгоритма деревьев решений CART для решения задачи классификации на данных с проблемой перекрытия классов. Реализовано его применение в ансамблевом методе случайного леса. Проведено исследование особенностей работы оригинального алгоритма CART, разработана и реализована модификация на основе введения случайного шума на этапе обучения алгоритма, а именно, копирования тренировочных наблюдений наиболее близких к разделяющей гиперплоскости. Экспериментальное исследование показало, что случайный лес, построенный на модифицированном алгоритме CART, позволяет получать более точные предсказания на данных с пересечением классов. Исследование качества алгоритма проводилось на открытых наборах данных преимущественно из сферы медицины.

This paper is devoted to the development of modification of the CART decision tree algorithm for solving the classification tasks on data with class overlap problem. The developed modification has been applied as a part of a Random Forest. The specifics of the original CART algorithm were investigated. Modification based on introduction of random noise during training of the algorithm, namely, copying the training objects closest to the separating hyperplane was developed and implemented. The experimental study showed that the random forest based on the modified CART algorithm produces more accurate predictions on data with overlapping classes. The quality of the algorithm was investigated on public datasets mainly from the medical field.