Быстрый метод выделения обучающих выборок для построения нейросетевых моделей принятия решений по прецедентам

Abstract

RU: Решена задача формирования обучающих выборок для автоматизации построения нейросетевых моделей по прецедентам. Предложен метод формирования выборок, который автоматически выделяет из исходной выборки обучающую и тестовую выборки, не требуя загрузки всей исходной выборки в память ЭВМ, осуществляя поэкземплярную обработку исходной выборки с хэширующим преобразованием на одномерную ось, формирует эталоны кластеров на обобщенной оси, минимизируя их число, что позволяет повысить скорость формирования выборок, снизить требования к вычислительным ресурсам и памяти ЭВМ и обеспечить приемлемый уровень точности синтезируемых моделей. Разработанный метод не требует многократных проходов по выборке, ограничиваясь всего тремя просмотрами. При этом метод хранит в оперативной памяти только один текущий экземпляр и набор сформированных одномерных эталонов, который минимизирован по объему. В отличие от методов на основе случайного отбора и кластер-анализа предложенный метод автоматически определяет размер формируемых обучающей и тестовой выборок, не требуя участия человека. Разработано программное обеспечение, реализующее предложенный метод, на основе которого решена практическая задача построения модели принятия решений для индивидуального прогнозирования состояния пациента, больного гипертонией. UK: Вирішено завдання формування навчальних вибірок для автоматизації побудови нейромережевих моделей за прецедентами. Запропоновано метод формування вибірок, який автоматично виділяє з вихідної вибірки навчальну та тестову вибірки, не вимагаючи завантаження всієї вихідної вибірки у пам’ять ЕОМ, здійснюючи поекземплярну обробку вихідної вибірки з гешуючим перетворенням на одновимірну вісь, формує еталони кластерів на узагальненій осі, мінімізуючи їх число, що дозволяє підвищити швидкість формування вибірок, знизити вимоги до обчислювальних ресурсів і пам’яті ЕОМ і забезпечити прийнятний рівень точності синтезованих моделей. Розроблений метод не вимагає багаторазових проходів по вибірці, обмежуючись лише трьома переглядами. При цьому метод зберігає в оперативній пам’яті тільки один поточний екземпляр і набір сформованих одновимірних еталонів, який мінімізовано за обсягом. На відміну від методів на основі випадкового відбору та кластер-аналізу запропонований метод автоматично визначає розмір формованих навчальної та тестової вибірок, не вимагаючи участі людини. Розроблено програмне забезпечення, що реалізує запропонований метод, на основі якого вирішена практична задача побудови моделі прийняття рішень для індивідуального прогнозування стану пацієнта, хворого на гіпертонію. EN: The problem of training sample forming is solved to automate the construction of neural network models on precedents. The sampling method is proposed. It automatically selects the training and test samples from the original sample without the need for downloading the entire original sample to the computer memory. It processes an initial sample for each one instance with hashing transformation to a one-dimensional axis, forming cluster templates on the generalized axis, minimizing their number. This allows to increase the speed of sampling, to reduce the requirements to computing resources and to computer memory and to provide an acceptable level of accuracy of the synthesized models. The developed method does not require multiple passes through the sample, being limited by only three viewing. At the same time the method keeps in a random access memory only the current instance and the generated set of one-dimensional templates, which is minimized by volume. Unlike the methods based on random sampling and cluster analysis the proposed method automatically determines the size of the formed training and test samples without the need for human intervention. Software realizing proposed method is developed. On its basis the practical task of decision-making model building to predict the individual state of the patient with hypertension is resolved.