USING UNCONTROLLED CLUSTERIZATION TO INCREASE MULTILEVEL DATA PROCESSING MODELS QUALITY INDICATORS
Ilya Lebedev, Igor Sikarev, Mikhail E. Sukhoparov · T-Comm - Телекоммуникации и Транспорт · 2024
Целью исследования является повышение показателей качества моделей машинного обучения при решении задач классификации состояния телекоммуникационных систем.Предлагается метод, использующий многоуровневую архитектуру моделей обработки данных, где на различных уровнях определяются текущие свойства данных в сегментах и назначаются лучшие по достигаемым качественным показателям алгоритмы.Метод, отличается от известных использованием при обработке нескольких уровней моделей, реализующих процессы анализа свойств данных, назначения лучших моделей по качественным показателям на отдельные сегменты данных и обучения.Он использует неконтролируемую кластеризации выборки данных.Полученные кластеры являются отдельными подвыборками, на которые назначаются лучшие по качественным показателям модели и алгоритмы машинного обучения.На модельных данных и данных открытых датасетов проведен эксперимент.Получены экспериментальные значения качественных показателей для различных классификаторов на всей выборке и на различном количестве сегментов.Неконтролируемая кластеризация при использовании многоуровневых моделей позволяет существенно повысить показатели качества "слабых" классификаторов.Повышение качественных показателей отдельных классификаторов происходит при увеличении количества кластеров данных до