Cand. of Tech. Sc., Associate Professor
канд. техн. наук, доц.
Cand. of Tech. Sc., Associate Professor
канд. техн. наук, доц.
Cand. of Agricult. Sc., Associate Professor
канд. сельскохоз. наук, доц.
The article discusses various approaches to predicting parameters, in particular the characteristics of the electromagnetic field based on data from a distributed environment. Several classification models were investigated on a simulated sensor data set, covering three different groups of categorization methods: Bayesian methods based on Bayes’ theorem (Naive Bayes and Multinomial Naive Bayes); decision tree methods, which are multi-option methods and the basic elements of the Decision Stump, Hoeffding Tree (Very Fast Decision Trees), Hoeffding Option Tree and Hoeffding Adaptive Tree algorithms; meta/ ensemble methods, which are the combination of a set of classification models that perform the same task, and solutions of individual models that are combined to determine the output. Experimental analysis has shown that the use of models can significantly improve forecasting efficiency. The methods proposed in the article are aimed at efficient classification. The article presented by the authors obtained results related to distributed machine learning. The first is the performance of classifiers with and without regularization in terms of the accuracy metric, the second is the relationship between the size of the dataset and this metric. In this work, in order to avoid overfitting and subsequent reduction in model accuracy, 1 regularization or Lasso regression is used. Regularization or Lasso regression is used. Thus, the results obtained are effectively implemented in a real-time system that measures streaming information about the parameters of the electromagnetic field.
Рассмотрены различные подходы к прогнозированию параметров, в частности характеристики электромагнитного поля, на основе данных распределенной среды. На моделируемом наборе данных сенсорных элементов были исследованы несколько моделей классификации, охватывающих три различные группы методов: байесовские методы, основанные на теореме Байеса (Naive Bayes и Multinomial Naive Bayes); методы деревьев решений с основными элементами алгоритмов Decision Stump, Hoeffding Tree (Very Fast Decision Trees), Hoeffding Option Tree и Hoeffding Adaptive Tree; метаансамблевые методы, которые представляют собой наборы классификационных моделей. Экспериментальный анализ показал, что использование метаансамблевых методов позволяет существенно повысить эффективность прогнозирования. Методы, исследуемые и анализируемые в данной статье, направлены на эффективную классификацию. В представленном авторами исследовании получены результаты, связанные с распределенным машинным обучением: оценка производительности классификаторов с регуляризацией и без нее в терминах метрики точности, а также связь размера набора данных с этой метрикой. Для того чтобы избежать чрезмерной подгонки и последующего снижения точности модели, используется регуляризация L1 или регрессия Лассо. Результатом стал эксперимент, показывающий эффективность использования методов прогнозирования в системе реального времени, измеряющей потоковую информацию о параметрах электромагнитного поля. Для проверки предложенного подхода были применены 12 алгоритмов классификации, охватывающих три указанных метода категоризации. Каждый алгоритм оценивался для трех различных экземпляров обучающих наборов (50 000, 100 000 и 500 000), а также оценивалась степень точности каждого алгоритма.