bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2019-124-6-20-25bsuir-1189Research ArticleЭЛЕКТРОНИКА, РАДИОФИЗИКА, РАДИОТЕХНИКА, ИНФОРМАТИКАELECTRONICS, RADIOPHYSICS, RADIOENGINEERING, INFORMATICSКЛАССИФИКАЦИЯ НА ОСНОВЕ ПРОСТРАНСТВ РЕШЕНИЙCLASSIFICATION BASED ON DECISION SPACESКраснопрошинВ. В.KrasnoproshinV. V.

Доктор технических наук, профессор, заведующий кафедрой информационных систем управления

Минск

D.Sci, professor, head of the department of management information systems

Minsk

РодченкоВ. Г.RodchankaV. R.

Родченко Вадим Григорьевич, кандидат технических наук, доцент, доцент кафедры современных технологий программирования

230023, г. Гродно, ул. Ожешко, 22

Rodchanka Vadzim Rygoravich, PhD, associate professor, associate professor of the Modern Programming Technologies Department

230023, Grodno, Ozheshko str., 22

rovar@mail.ruБелорусский государственный университетBelarusian State UniversityГродненский государственный университет имени Янки КупалыGrodno State University named after Yanka Kupala201903102019062025Copyright © Краснопрошин В.В., Родченко В.Г., 20192019Краснопрошин В.В., Родченко В.Г.Krasnoproshin V.V., Rodchanka V.R.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/1189

В работе предложен метод классификации, основанный на анализе свойств признаковых подпространств. Описана процедура автоматического выявления пространств, в которых классы не пересекаются, и показана возможность их использования для автоматического построения классификаторов.  

It's proposed a classification method based on the analysis of the feature subspaces properties. A procedure of automatic space identification where classes do not intersect is described. It's presented a possibility to use these spaces for automatic construction of classifiers.  

машинное обучениеинтеллектуальный анализ данныхобучение по прецедентамклассификацияmachine learningdata mininglearning by precedentsclassificationReferencesПлас Дж.В. Python для сложных задач: наука о данных и машинное обучение. СПб.: Питер, 2018. 576 c.Plas Dzh.V. Python dlja slozhnyh zadach: nauka o dannyh i mashinnoe obuchenie. SPb.: Piter, 2018. 576 s. (in Russ.)Силен В., Мейсман А., Али М. Основы Data Science и Big Data. Python и наука о данных. СПб.: Питер, 2017. 336 с.Silen V., Mejsman A., Ali M. Osnovy Data Science i Big Data. Python i nauka o dannyh. SPb.: Piter, 2017. 336 s. (in Russ.)Краснопрошин В.В., Образцов В.А. Проблема принятия решений по прецендентности: разрешимость и выбор алгоритмов // Выбр. навук. працы Беларус. дзярж. ун-та. 2001. Т. 6. Матэматыка. С. 285–311.Krasnoproshin V.V., Obrazcov V.A. Problema prinjatija reshenij po precendentnosti: razreshimost' i vybor algoritmov // Vybr. navuk. pracy Belarus. dzjarzh. un-ta. 2001. T. 6. Matjematyka. S. 285–311. (in Russ.)Абламейко С.В., Краснопрошин В.В., Образцов В.А. Модели и технологии распознавания образов с приложением в интеллектуальном анализе данных // Вестник БГУ. Сер. 1. № 3. 2011. С. 62–72.Ablamejko S.V., Krasnoproshin V.V., Obrazcov V.A. Modeli i tehnologii raspoznavanija obrazov s prilozheniem v intellektual'nom analize dannyh // Vestnik BGU. Ser. 1. № 3. 2011. S. 62–72. (in Russ.)Технологии анализа данных: Data Mining. Text Mining, Visual Mining, OLAP / А.А. Барсегян [и др.]. СПб.: БХВ-Петербург, 2007. 384 с.Tehnologii analiza dannyh: Data Mining. Text Mining, Visual Mining, OLAP / A.A. Barsegjan [i dr.]. SPb.: BHV-Peterburg, 2007. 384 s. (in Russ.)Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. М.: ДМК Пресс, 2015. 402 с.Flah P. Mashinnoe obuchenie. Nauka i iskusstvo postroenija algoritmov, kotorye izvlekajut znanija iz dannyh. M.: DMK Press, 2015. 402 s. (in Russ.)Машинное обучение / Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных [Электронный ресурс]. URL: http://www.machinelearning.ru/wiki/index.php?title=Machine_Learning (дата обращения: 05.04.2018).Mashinnoe obuchenie / Professional'nyj informacionno-analiticheskij resurs, posvjashhennyj mashinnomu obucheniju, raspoznavaniju obrazov i intellektual'nomu analizu dannyh [Electronic resource]. URL: http://www.machinelearning.ru/wiki/index.php?title=Machine_Learning (date of access: 05.04.2018). (in Russ.)Интеллектуальный анализ данных / Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных [Электронный ресурс]. URL: http://www.machinelearning.ru/wiki/index.php?title=Machine_Learning (дата обращения: 05.04.2018).Intellektual'nyj analiz dannyh / Professional'nyj informacionno-analiticheskij resurs, posvjashhennyj mashinnomu obucheniju, raspoznavaniju obrazov i intellektual'nomu analizu dannyh [Electronic resource]. URL: http://www.machinelearning.ru/wiki/index.php?title=Intellektual'nyj_analiz_dannyh (date of access: 05.04.2018). (in Russ.)Краснопрошин В.В., Родченко В.Г. Обучение по прецедентам на основе анализа свойств признаков // Доклады БГУИР. 2017. № 6 (108). С. 35–41.Krasnoproshin V.V., Rodchenko V.G. Obuchenie po precedentam na osnove analiza svojstv priznakov // Doklady BGUIR. 2017. № 6 (108). S. 35–41. (in Russ.)Краснопрошин В.В., Родченко В.Г. Кластерные структуры и их применение в интеллектуальном анализе данных // Информатика. № 2. 2016. С. 71–77.Krasnoproshin V.V., Rodchenko V.G. Klasternye struktury i ih primenenie v intellektual'nom analize dannyh // Informatika. № 2. 2016. S. 71–77. (in Russ.)

The authors declare that there are no conflicts of interest present.