Розробка засобів автоматичної діагностики вимагає вибору й удосконалення відповідних методів машинного навчання, зокрема мультикласової класифікації. Щоб адресувати цю задачу, розглядаються штучні нейронні мережі (ШНМ) різних конструкцій. Мета роботи - аналіз та порівняння ефективності класифікаторів, що базуються на ШНМ, на різних даних для подальшого вдосконалення стратегії вибору моделі. Побудовано моделі на основі ШНМ розподілу класових міток ознак предиктора, треновані та оцінені на клінічних даних. Досліджено різні алгоритми навчання багатошарового персептрона, нейронну мережу Кохонена та лінійну функціональну стратегію з багатопараметричною регуляризацією. Ефективність класифікаторів порівнюється з точки зору точності, чутливості та специфічності. Класифікатор, побудований за допомогою лінійної функціональної стратегії, випереджає інші, що базуються на ШНМ зі складною архітектурою, а також демонструє відносну стійкість до перенавчання. Продуктивність нейронної мережі Кохонена на великих наборах даних по специфічності перевищує 90 % для кожного класу, одночасно з тим чутливість для окремих класів перевищує 95 %. Висновки: розуміння сильних і слабих сторін кожного методу є надзвичайно важливим для ретельного добору класифікатора на основі ШНМ, зокрема його архітектури, алгоритмів регуляризації та навчання.

  Повний текст PDF - 317.247 Kb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"