Об’єктом дослідження є дерева класифікації. Предметом дослідження є методи, алгоритми та схеми побудови дерев класифікації. Мета роботи – побудова ефективного методу (схеми) синтезу моделей дерев класифікації на основі групової оцінки важливості дискретних ознак у межах розгалуженого вибору атрибутів. Запропоновано метод побудови дерев класифікації, який для заданої навчальної вибірки визначає індивідуальну інформативність (важливість) груп ознак (та їх комбінації) щодо вихідного значення функції класифікації (даних навчальної вибірки). Розроблений метод логічного дерева під час побудови чергового вузла дерева класифікації намагається виділити групу найтісніше взаємопов’язаних дискретних ознак. Це дає змогу знизити загальну структурну складність моделі (кількість рівнів дерева класифікації), прискорити обчислення під час розпізнавання об’єктів на основі моделі, а також підвищити узагальнювальні властивості моделі та її ентерпретабельність. Запропонована схема селекції груп дискретних ознак дає змогу використовувати побудоване дерево рішень для оцінювання інформативності (важливості) ознак. Розроблений метод дерева класифікації реалізований програмно і досліджений під час розв’язання задачі класифікації дискретних об’єктів, представлених набором ознак. Виконані експерименти підтвердили працездатність запропонованого математичного забезпечення і дають підстави рекомендувати його для використання на практиці під час вирішення прикладних завдань класифікації дискретних об’єктів на основі логічних дерев класифікації. Перспективи подальших досліджень можуть полягати у створенні модифікованого методу логічного дерева класифікації за допомогою ефективного перебору та оцінювання наборів елементарних ознак на основі запропонованого методу, оптимізації його програмних реалізацій та експериментальному дослідженні запропонованого методу на ширшому наборі прикладних задач.
1. Hastie, T., Tibshirani, R., & Friedman, J. (2008). The elements of statistical learning. Springer.
2. Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81–106.
3. Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Chapman and Hall/CRC.
4. Kintonova, A., Mussaif, M., & Gabdreshov, G. (2023). Improvement of iris recognition technology for biometric identification of a person. Eastern-European Journal of Enterprise Technologies, 6(2(120)), 60–69. https://doi.org/ 10.15587/1729-4061.2022. 269948
5. Bodyanskiy, Y. V., Shafronenko, A. Y., & Pliss, I. P. (2021). Credibilistic fuzzy clustering based on evolutionary method of crazy cats. System Research and Information Technologies, 3, 110–119. https://doi.org/10.20535/SRIT.2308-8893.2021.3.09
6. Miyakawa, M. (1989). Criteria for selecting a variable in the construction of efficient decision trees. IEEE Transactions on Computers, 38(1), 130–141.
7. Koskimaki, H., Juutilainen, I., Laurinen, P., & Roning, J. (2008). Two-level clustering approach to training data instance selection: A case study for the steel industry. In Proceedings of the International Joint Conference on Neural Networks (IJCNN 2008) (pp. 3044–3049). IEEE. https://doi.org/10.1109/ IJCNN. 2008.4634228
8. Jaman, S. F., & Anshari, M. (2019). Facebook as marketing tools for organizations: Knowledge management analysis. In S. F. Jaman & M. Anshari (Eds.), Dynamic perspectives on globalization and sustainable business in Asia (pp. 92–105). IGI Global. https://doi.org/10.4018/978-1-5225-7095-0.ch007
9. Strilets, V. E., Shmatkov, S. I., & Ugryumov, M. L. (2020). Methods of machine learning in the problems of system analysis and decision making. Karazin Kharkiv National University.
10. De Mántaras, R. L. (1991). A distance-based attribute selection measure for decision tree induction. Machine Learning, 6(1), 81–92.
11. Karimi, K., & Hamilton, H. (2011). Generation and interpretation of temporal decision rules. International Journal of Computer Information Systems and Industrial Management Applications, 3, 314–323.
12. Kamiński, B., Jakubczyk, M., & Szufel, P. (2017). A framework for sensitivity analysis of decision trees. Central European Journal of Operations Research, 26(1), 135–159.
13. Deng, H., Runger, G., & Tuv, E. (2011). Bias of importance measures for multi-valued attributes and solutions. In Proceedings of the 21st International Conference on Artificial Neural Networks (ICANN 2011) (Vol. 2, pp. 293–300). Springer-Verlag. https://doi.org/10.1007/978-3-642-21738-8_38
14. Subbotin, S. A. (2019). Construction of decision trees for the case of low-information features. Radio Electronics, Computer Science, Control, 1, 121–130. https://doi.org/10.15588/1607-3274-2019-1-12
15. Shyshatskyi, A. (2020). Complex methods of processing different data in intellectual systems for decision support system. International Journal of Advanced Trends in Computer Science and Engineering, 9(4), 5583–5590. https://doi.org/10.30534/ ijatcse/ 2020/206942020
16. Painsky, A., & Rosset, S. (2017). Cross-validated variable selection in tree-based methods improves predictive performance. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(11), 2142–2153. https:// doi.org/10.1109/TPAMI. 2016. 2636831
17. Imamovic, D., Babovic, E., & Bijedic, N. (2020). Prediction of mortality in patients with cardiovascular disease using data mining methods. In Proceedings of the 19th International Symposium INFOTEH-JAHORINA (INFOTEH 2020) (pp. 1–4). IEEE. https://doi.org/10.1109/INFOTEH48170.2020.9066297
18. Kotsiantis, S. B. (2007). Supervised machine learning: A review of classification techniques. Informatica, 31, 249–268.
19. Zhuravlev, Y. I., & Nikiforov, V. V. (1971). Recognition algorithms based on the calculation of estimates. Cybernetics, 3, 1–11.
20. Povkhan, I., Mulesa, O., Melnyk, O., Bilak, Y., & Polishchuk, V. (2022). The problem of convergence of classifiers construction procedure in the schemes of logical and algorithmic classification trees. In Proceedings of the Second International Workshop on Computer Modeling and Intelligent Systems (CMIS-2022) (Vol. 3137, pp. 1–13). CEUR Workshop Proceedings.
21. Povkhan, I. (2020). A constrained method of constructing the logic classification trees on the basis of elementary attribute selection. In Proceedings of the Second International Workshop on Computer Modeling and Intelligent Systems (CMIS-2020) (Vol. 2608, pp. 843–857). CEUR Workshop Proceedings.
22. Povkhan, I., & Lupei, M. (2020). The algorithmic classification trees. In Proceedings of the IEEE Third International Conference on Data Stream Mining & Processing (DSMP 2020) (pp. 37–44). IEEE.
23. Povkhan, I., Lupei, M., Kliap, M., & Laver, V. (2020). The issue of efficient generation of generalized features in algorithmic classification tree methods. In Proceedings of the International Conference on Data Stream Mining and Processing (DSMP 2020) (pp. 98–113). IEEE.
24. Povkhan, I. (2020). Classification models of flood-related events based on algorithmic trees. Eastern-European Journal of Enterprise Technologies, 6(4), 58–68. https://doi.org/10.15587/1729-4061.2020.219525
25. Rabcan, J., Levashenko, V., Zaitseva, E., Kvassay, M., & Subbotin, S. (2019). Application of fuzzy decision tree for signal classification. IEEE Transactions on Industrial Informatics, 15(10), 5425–5434. https://doi.org/10.1109/TII.2019.2904845
26. Bodyanskiy, Y., Vynokurova, O., Setlak, G., & Pliss, I. (2015). Hybrid neuro-neo-fuzzy system and its adaptive learning algorithm. In Proceedings of the Xth International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT) (pp. 111–114). Lviv.