Алгоритмы вычисления оценок, основанных на минимизации ошибок при классификации объектов

• Published in: Современные инновации, системы и технологии Vol. 5; no. 2; pp. 5021 - 5028
• Main Author: Хайдаров, Ш. И.
• Format: Journal Article
• Language: English
• Published: Siberian Scientific Centre DNIT 11.06.2025
• Subjects: медицинские объекты, классификация, эвристические алгоритмы, диагностика, искусственный интеллект
• ISSN: 2782-2826; 2782-2818; 2782-2818
• DOI: 10.47813/2782-2818-2025-5-2-5021-5028

В статье рассматривается актуальная проблема повышения точности классификации объектов в условиях дисбаланса и недостаточности исходных данных, что особенно характерно для медицинской диагностики. Авторы анализируют распределение реальных и синтетически расширенных классов, оценивают их влияние на результаты обучения классификационных моделей, включая логистическую регрессию, решающие деревья, случайный лес и метод опорных векторов (SVM). Исследование включает подробный обзор современных методов генерации синтетических данных, таких как SMOTE и генеративно-состязательные сети (GAN), а также анализ их эффективности при решении задач классификации. Приведены экспериментальные результаты, демонстрирующие, что использование синтетически расширенных данных способствует повышению точности классификации, особенно для моделей логистической регрессии и случайного леса. Проведен детальный статистический анализ сходства между реальными и синтетическими объектами, оценка производительности моделей по ключевым метрикам (F1-score, Precision, Recall, Accuracy, ROC-AUC), а также выявлены классы, для которых синтетические данные наиболее эффективны. Статья содержит подробное описание математических основ и принципов работы применяемых алгоритмов, их преимущества и ограничения. В заключении отмечается, что предложенные гибридные модели на основе искусственного интеллекта позволяют достичь более высокой точности диагностики по сравнению с традиционными методами, а также повышают устойчивость и обобщающую способность моделей. Статья предназначена для специалистов в области искусственного интеллекта, машинного обучения, медицинской диагностики и анализа данных.