Srawnitel'noe issledowanie mnozhestwa metodow dlq klassifikacii

Metody ansamblq osnowany na idee ob#edineniq predskazanij neskol'kih klassifikatorow dlq luchshego obobscheniq i kompensacii wozmozhnyh nedostatkow otdel'nyh predskazatelej.Mozhno wydelit' dwa semejstwa metodow: Parallel'nye metody (Bagging, Random forests), w kotoryh princip zaklüchaetsq w usrednenii neskol'kih prognozow w nadezhde na luchshij rezul'tat posle umen'sheniq dispersii srednego ocenschika.Posledowatel'nye metody (Boosting), w kotoryh parametry iteratiwno adaptiruütsq dlq polucheniq luchshej smesi.V dannoj rabote my utwerzhdaem, chto kogda chleny prediktora delaüt raznye oshibki, mozhno umen'shit' kolichestwo neprawil'no klassificirowannyh primerow po srawneniü s odnim prediktorom. Poluchennye rezul'taty budut srawniwat'sq s ispol'zowaniem takih kriteriew, kak koäfficient klassifikacii, chuwstwitel'nost', specifichnost', otzyw i t.d.