Главная Работы на конкурс Предметное образование Технические дисциплины
Исследовательская работа «Исследование различных методов классификации и машинного обучения»
Автор: Руденко Илья Денисович, Малков Степан Евгеньевич
Место работы/учебы (аффилиация): МБОУ Гимназия №7, г. Красноярск, Красноярский край, 9 Класс
Научный руководитель: Судьина Татьяна Владимировна
Цель работы — исследование и сравнительный анализ эффективности пяти различных методов машинного обучения для решения задач классификации на трех эталонных наборах данных, а также визуализация полученных результатов.
Актуальность.
В эпоху стремительного роста объемов цифровых данных критически важной становится задача их эффективного интеллектуального анализа (Data Mining), в частности — классификации. От точности алгоритмов классификации зависит качество работы систем медицинской диагностики, обнаружения мошенничества, распознавания образов и многих других сфер. Актуальность работы обусловлена тем, что в машинном обучении не существует универсального алгоритма: эффективность конкретной модели сильно зависит от структуры, объема и размерности данных. Именно поэтому обоснованный выбор и сравнительный анализ методов классификации является крайне востребованной практической задачей.
Задачи исследования:
- Найти, загрузить и выполнить первичную предобработку трех наборов данных, различных по своей структуре и природе происхождения.
- Реализовать на языке Python пять моделей классификации: метод k-ближайших соседей (KNN), дерево решений (Decision Tree), метод опорных векторов (SVC), нейронную сеть (MLP Classifier) и классификатор на основе стохастического градиентного спуска (SGD Classifier).
- Обучить модели на подготовленных данных и оценить точность (accuracy) их предсказаний.
- Провести визуализацию полученных показателей точности с помощью диаграмм и графиков для наглядного сравнения.
- Проанализировать результаты, сравнить поведение алгоритмов на разных датасетах и сформулировать выводы о наиболее предпочтительных методах для каждого типа данных.
Объект исследования — алгоритмы классификации машинного обучения.
Предмет исследования — точность работы алгоритмов классификации в зависимости от структуры и характеристик входных данных.
Методы исследования: Методы машинного обучения (с использованием библиотек языка Python: Scikit-learn, Pandas, NumPy), методы статистического анализа точности моделей, а также методы визуализации данных (Matplotlib).
Выводы.
Практическая значимость исследования заключается в том, что полученные результаты позволяют наглядно оценить и понять специфику поведения популярных алгоритмов машинного обучения на наборах данных различной природы. Сформулированные в ходе работы выводы могут служить ценным методическим пособием для разработчиков и исследователей при выборе оптимальной модели классификации для решения конкретных прикладных задач, особенно в условиях ограниченной информации о входных данных.
Смотреть похожие работы
Исследовательская работа «Исследование влияния различных режимов адаптивного поведения AI-чатбота DUMB-AI на качество ответов при решении задач разных типов»
Доступна к просмотру полнотекстовая версия работы
Проект «Исследование феномена гроккинга в нейронных сетях на примере задачи модульного сложения»
Доступна к просмотру полнотекстовая версия работы
Исследовательская работа «Влияние искусственного интеллекта на учебную мотивацию подростков (на примере учащихся 7–11 классов общеобразовательных школ г. Твери)»
Проект «Алгоритмическое правосудие: этико-правовые риски внедрения Искусственного интеллекта в систему государственного управления и правопорядка»
Исследовательская работа по теме: «Искусственный интеллект — друг, помощник или соперник?»
Доступна к просмотру полнотекстовая версия работы
Исследовательский проект «Информационный компас: тренажер критического мышления для эпохи ИИ»
Мероприятие завершено
Добавить комментарий