Сравнение эффективности решения задачи классификации методами линейного дискриминантного анализа и искусственных нейронных сетей.

Standard

Сравнение эффективности решения задачи классификации методами линейного дискриминантного анализа и искусственных нейронных сетей. / Жангиров, Тимур Рафаилович; Перков, Алексей Сергеевич; Лисс, Анна Александровна; Григорьева, Наталия Юрьевна; Чистякова, Людмила Валерьевна.

в: ИЗВЕСТИЯ СПБГЭТУ ЛЭТИ, № 5, 2019, стр. 64-73.

Результаты исследований: Научные публикации в периодических изданиях › статья

BibTeX

@article{9320300ebb1d4e208ccfa0192a1dcb93,

title = "Сравнение эффективности решения задачи классификации методами линейного дискриминантного анализа и искусственных нейронных сетей.",

abstract = "Приводится сравнение двух методов классификации: линейного дискриминантного анализа и искусственных нейронных сетей прямого распространения. Сравнение проводится на примере задачи классификации цианобактерий по серии спектров собственной флуоресценции отдельных клеток. Продемонстрированы способы визуализации и анализа результатов классификации, включая новые способы, основанные на энтропии результатов классификации. Определена связь между результатами линейного дискриминантного анализа и классифицирующих нейронных сетей. Показаны ключевые моменты, на основе которых можно выявить некорректно обученную модель нейронной сети, а также предложен новый способ анализа качества обобщения. Представленные в работе методики сравнения результатов линейного дискриминантного анализа и нейронных сетей применимы для сравнения нейронных сетей с другими алгоритмами машинного обучения и статистическими классификаторами. Предложенная методика позволяет анализировать процесс обучения нейронной сети с целью оперативного выявления",

keywords = "classification, gradient descent, linear discriminant analysis, neural networks, statistical analysis, градиентный спуск, классификация, линейный дискриминантный анализ, нейронные сети, статистический анализ, classification, gradient descent, linear discriminant analysis, neural networks, statistical analysis, градиентный спуск, классификация, линейный дискриминантный анализ, нейронные сети, статистический анализ",

author = "Жангиров, {Тимур Рафаилович} and Перков, {Алексей Сергеевич} and Лисс, {Анна Александровна} and Григорьева, {Наталия Юрьевна} and Чистякова, {Людмила Валерьевна}",

year = "2019",

language = "русский",

pages = "64--73",

journal = "ИЗВЕСТИЯ САНКТ-ПЕТЕРБУРГСКОГО ГОСУДАРСТВЕННОГО ЭЛЕКТРОТЕХНИЧЕСКОГО УНИВЕРСИТЕТА {"}ЛЭТИ{"}",

issn = "2071-8985",

publisher = "Издательство СПбГЭТУ {"}ЛЭТИ{"}",

number = "5",

}

RIS

TY - JOUR

T1 - Сравнение эффективности решения задачи классификации методами линейного дискриминантного анализа и искусственных нейронных сетей.

AU - Жангиров, Тимур Рафаилович

AU - Перков, Алексей Сергеевич

AU - Лисс, Анна Александровна

AU - Григорьева, Наталия Юрьевна

AU - Чистякова, Людмила Валерьевна

PY - 2019

Y1 - 2019

N2 - Приводится сравнение двух методов классификации: линейного дискриминантного анализа и искусственных нейронных сетей прямого распространения. Сравнение проводится на примере задачи классификации цианобактерий по серии спектров собственной флуоресценции отдельных клеток. Продемонстрированы способы визуализации и анализа результатов классификации, включая новые способы, основанные на энтропии результатов классификации. Определена связь между результатами линейного дискриминантного анализа и классифицирующих нейронных сетей. Показаны ключевые моменты, на основе которых можно выявить некорректно обученную модель нейронной сети, а также предложен новый способ анализа качества обобщения. Представленные в работе методики сравнения результатов линейного дискриминантного анализа и нейронных сетей применимы для сравнения нейронных сетей с другими алгоритмами машинного обучения и статистическими классификаторами. Предложенная методика позволяет анализировать процесс обучения нейронной сети с целью оперативного выявления

AB - Приводится сравнение двух методов классификации: линейного дискриминантного анализа и искусственных нейронных сетей прямого распространения. Сравнение проводится на примере задачи классификации цианобактерий по серии спектров собственной флуоресценции отдельных клеток. Продемонстрированы способы визуализации и анализа результатов классификации, включая новые способы, основанные на энтропии результатов классификации. Определена связь между результатами линейного дискриминантного анализа и классифицирующих нейронных сетей. Показаны ключевые моменты, на основе которых можно выявить некорректно обученную модель нейронной сети, а также предложен новый способ анализа качества обобщения. Представленные в работе методики сравнения результатов линейного дискриминантного анализа и нейронных сетей применимы для сравнения нейронных сетей с другими алгоритмами машинного обучения и статистическими классификаторами. Предложенная методика позволяет анализировать процесс обучения нейронной сети с целью оперативного выявления

KW - classification

KW - gradient descent

KW - linear discriminant analysis

KW - neural networks

KW - statistical analysis

KW - градиентный спуск

KW - классификация

KW - линейный дискриминантный анализ

KW - нейронные сети

KW - статистический анализ

KW - classification

KW - gradient descent

KW - linear discriminant analysis

KW - neural networks

KW - statistical analysis

KW - градиентный спуск

KW - классификация

KW - линейный дискриминантный анализ

KW - нейронные сети

KW - статистический анализ

M3 - статья

SP - 64

EP - 73

JO - ИЗВЕСТИЯ САНКТ-ПЕТЕРБУРГСКОГО ГОСУДАРСТВЕННОГО ЭЛЕКТРОТЕХНИЧЕСКОГО УНИВЕРСИТЕТА "ЛЭТИ"

JF - ИЗВЕСТИЯ САНКТ-ПЕТЕРБУРГСКОГО ГОСУДАРСТВЕННОГО ЭЛЕКТРОТЕХНИЧЕСКОГО УНИВЕРСИТЕТА "ЛЭТИ"

SN - 2071-8985

IS - 5

ER -

ID: 78437260