ПОРІВНЯННЯ АЛГОРИТМІВ КЛАСИФІКАЦІЇ BIG DATA МЕТОДАМИ ІМІТАЦІЙНОГО МОДЕЛЮВАННЯ
DOI:
https://doi.org/10.36994/2788-5518-2023-01-05-15Ключові слова:
алгоритми найближчих сусідів, алгоритм центрів класів, алгоритм адаптивних правил, критерій надійності, критерій продуктивності, методи імітаційного моделювання, програма імітаційного моделюванняАнотація
У статті вирішується задача порівняльного аналізу швидких алгоритмів класифікації, що можуть застосовувати для вирішення задач з надвеликими об’ємами даних (Big Data). Задача розв’язується методами імітаційного моделювання за допомогою програми Adaptive Metrics. Алгоритми найближчих сусідів, центрів класів та адаптивних правил порівнюються за критеріями надійності та продуктивності. Отримані результати дозволяють зробити висновок, що алгоритми. засновані на принципах M-means можуть ефективно використовуватись в задачах класифікації за певних умов, оскільки мають значну перевагу за критерієм продуктивності.
Посилання
Марченко О.О., Россада Т. В. Актуальні проблеми Data Mining: навч. посібн. для студентів факультету комп’ютерних наук та кібернетики. Київ: КНУ, 2017. 150 с.
Чубукова І.О. Data Mining. Київ: КНЕУ ім. В. Гетьмана, 2016. 326 с. URL: http://kist.ntu.edu.ua/textPhD/Chubukova-Data_Mining.pdf
Кромен Т., Лейзерсон Ч., Ривест Р. Алгоритмы: построение и анализ / пер. с англ. под ред. А. Шеня. М.: МЦНМО, 2002. – 960 с.
Одегов М.А., Гаджиєв М.М., Буката Л.М., Глазунова Л.В., Кочеткова М.В. Обґрунтування швидких алгоритмів класифікації на множинах Big Data за критеріями надійності і продуктивності. Інфокомунікаційні та комп’ютерні технології. Київ, 2023. No 1 (стаття у даному випуску журналу).
Буртняк І.В. Імітаційне моделювання. Івано-Франківськ: ПНУ ім. В. Стефаника, 2019. 97 с.
Nicholas; Metropolis. The Monte Carlo Method. Journal of the American Statistical Association, 1949. Vol. 44, no. 247. P. 335—341. ISSN 0162-1459. DOI: doi:10.2307/228023.
Andrea Parenti, Giovanni Cappelli, Walter Zegada-Lizarazu, Carlos Martín Sastre, Myrsini Christou, Andrea Monti, Fabrizio Ginaldi. SunnGro: A new crop model for the simulation of sunn hemp (Crotalaria juncea L.) grown under alternative management practices. Biomass and Bioenergy, Vol. 146, 2021, 105975, ISSN 0961-9534. DOI: https://doi.org/10.1016/j.biombioe.2021.105975.
Mayuri Rajput, Mostafa Reisi Gahrooei, Godfried Augenbroe. A statistical model of the spatial variability of weather for use in building simulation practice. Building and Environment, Vol. 206, 2021, 108331, ISSN 0360-1323. DOI: https://doi.org/10.1016/j.buildenv.2021.108331.
A. Araya, P.V.V. Prasad, I.A. Ciampitti, P.K. Jha. Using crop simulation model to evaluate influence of water management practices and multiple cropping systems on crop yields: A case study for Ethiopian highlands. Field Crops Research, Vol. 260, 2021, 108004, ISSN 0378-4290. DOI: https://doi.org/10.1016/ j.fcr.2020.108004.
El Arbi Abdellaoui Alaoui, Stephane Cedric Koumetio Tekouabou, Yassine Maleh, Anand Nayyar. Corrigendum to “Towards to intelligent routing for DTN protocols using machine learning techniques. Simulation Modelling Practice and Theory. Vol. 123, 2023, 102689, ISSN 1569-190X. DOI: https://doi.org/10.1016/j.simpat.2022.102689.
Jean-Charles Mare. Best practices for model-based and simulation-aided engineering of power transmission and motion control systems. Chinese Journal of Aeronautics. Vol. 32, Issue 1, 2019, P. 186-199, ISSN 1000-9361. DOI: https://doi.org/10.1016/j.cja.2018.07.015.
Tian Zhao, Xi Chen, Ke-Lun He, Qun Chen. A standardized modeling strategy for heat current method-based analysis and simulation of thermal systems. Energy, Vol. 217, 2021, 119403, ISSN 0360-5442. DOI: https://doi.org/10.1016/j.energy.2020.119403.
Закон распределения суммы двух случайных величин. URL: https://bstudy.net/717926/sotsiologiya/zakon_raspredeleniya_summy_dvuh_sluchaynyh_velichin_kompozitsiya_dvuh_zakonov_raspredeleniya.
Харкевич А.А. Спектры и анализ. М.: «ЛИБКОМ», 2009. 240 с.
Ширяев А.Н. Вероятность. М.: Наука, 1980. 576 с.
