МЕТОД ІДЕНТИФІКАЦІЇ СТАНУ КОМП'ЮТЕРНОЇ СИСТЕМИ НА ОСНОВІ АНСАМБЛЕВИХ КЛАСИФІКАТОРІВ З ПОКРАЩЕНОЮ ПРОЦЕДУРОЮ ГОЛОСУВАННЯ
DOI:
https://doi.org/10.26906/SUNZ.2023.3.079Ключові слова:
класифікація, машинне навчання, ансамблі, бегінг, зважене голосування, обрізка ансамблів, точність, швидкодіяАнотація
Об'єктом дослідження є процес ідентифікації стану комп'ютерної системи. Предметом дослідження є методи ідентифікації стану КС. Метою дослідження є підвищення якості та швидкодії ансамблевих класифікаторів шляхом оптимізації процедури голосування. Методи, що використовуються: методи машинного навчання, ансамблеві класифікатори, метод обрізки ансамблів, процедура зваженого адаптивного голосування. Отримані результати: розроблено ансамблевий метод ідентифікації комп'ютерних систем на основі мета-алгоритму бегінг зі спеціальною процедурою зменшення кількості базових класифікаторів та їх ранжування. Досліджено ефективність різних підходів обрізки базових класифікаторів на основі дерев рішень для підвищення якості мета-алгоритму. Розглянуто різні види методів розрахунку вагових коефіцієнтів для реалізації зваженого голосування з використанням різних метрик якості. Експериментальні дослідження дозволили оцінити розглянуті підходи окремо, а також підтвердили ефективність їх комплексного використання. Висновки. За результатами дослідження запропоновано удосконалений ансамблевий класифікатор ідентифікації стану комп'ютерної системи на основі мета-алгоритму бегінг, який відрізняється від відомих комплексним використанню методів обрізки базових класифікаторів ансамблів та використанням процедури адаптного зваженим голосуванням За рахунок удосконалення класифікатору вдалося підвищити його точність до 2.5%. Перспективами подальших досліджень може бути підбір та налаштування базових класифікаторів з використанням різних методів машинного навчання.Завантаження
Посилання
Sathiya Devi, S., Rajakumar, R. (2021). Network Intrusion Detection Using Cross-Bagging-Based Stacking Model. In: Pandian, A., Fernando, X., Islam, S.M.S. (eds) Computer Networks, Big Data and IoT. Lecture Notes on Data Engineering and Communications Technologies, vol 66. Springer, Singapore. https://doi.org/10.1007/978-981-16-0965-7_58
Челак В. В. Розробка методу ідентифікації стану комп'ютерної системи на основі нечітких дерев рішень / С.Ю. Гавриленко та В.В. Челак // Системи управління, навігації та зв’язку Випуск 1 (71).– Полтава, Україна, 2023.– с. 78-83. https://doi.org/10.26906/SUNZ.2023.1
Andrea Campagner, Davide Ciucci, Federico Cabitza, Aggregation models in ensemble learning: A large-scale comparison, Information Fusion, Volume 90, 2023, pp. 241-252. https://doi.org/10.1016/j.inffus.2022.09.015
O. Hornostal and S. Gavrylenko, “Development of a method for identification of the state of computer systems based on bagging classifiers”, A.I.S., vol. 5, no. 4, pp. 5–9, Dec. 2021. https://doi.org/10.20998/2522-9052.2021.4.01
O. Hornostal, S. Gavrylenko and V. Chelak "Ensemble Approach Based on Bagging and Boosting for Identification the Computer System State," 2021 XXXI International Scientific Symposium Metrology and Metrology Assurance (MMA), Sozopol, Bulgaria, 2021, pp. 1-7. https://doi.org/10.1109/MMA52675.2021.9610949
J. A. Sáez and J. L. Romero-Béjar, “On the Suitability of Bagging-Based Ensembles with Borderline Label Noise,” Mathematics, vol. 10, no. 11, p. 1892, Jun. 2022. https://doi.org/10.3390/math10111892
A. Dogan and D. Birant, "A Weighted Majority Voting Ensemble Approach for Classification," 2019 4th International Conference on Computer Science and Engineering (UBMK), Samsun, Turkey, 2019, pp. 1-6. https://doi.org/10.1109/UBMK.2019.8907028
Pinto, F., Soares, C., Mendes-Moreira, J. (2015). Pruning Bagging Ensembles with Metalearning. In: Schwenker, F., Roli, F., Kittler, J. (eds) Multiple Classifier Systems. MCS 2015. Lecture Notes in Computer Science, vol 9132. Springer, Cham. https://doi.org/10.1007/978-3-319-20248-8_6
Sannasi Chakravarthy, S.R., Rajaguru, H. (2022). Ensemble-Based Weighted Voting Approach for the Early Diagnosis of Diabetes Mellitus. In: Karrupusamy, P., Balas, V.E., Shi, Y. (eds) Sustainable Comm. Networks and Application. Lecture Notes on Data Engineering and Comm. Technologies, vol 93. Springer, Singapore. https://doi.org/10.1007/978-981-16-6605-6_33
Wenyu Zhang, Dongqi Yang, Shuai Zhang, A new hybrid ensemble model with voting-based outlier detection and balanced sampling for credit scoring, Expert Systems with Applications, Volume 174, 2021. https://doi.org/10.1016/j.eswa.2021.114744
Li, D., Zhang, Z. & Wen, G. Classifier subset selection based on classifier representation and clustering ensemble. Appl Intell (2023). https://doi.org/10.1007/s10489-023-04572-x
S. Kwak and H. Kim, “Comparison of ensemble pruning methods using Lasso-bagging and WAVE-bagging,” Journal of the Korean Data and Information Science Society, vol. 25, no. 6. Korean Data and Information Science Society, pp. 1371–1383, 2014. https://doi.org/10.7465/jkdi.2014.25.6.1371
George D.C. Cavalcanti, Luiz S. Oliveira, Thiago J.M. Moura, Guilherme V. Carvalho, Combining diversity measures for ensemble pruning, Pattern Recognition Letters, Volume 74, pp. 38-45, 2016. https://doi.org/10.1016/j.patrec.2016.01.029
