Search academic texts

Information × Registration Number 2125U003984, Article popup.category Опубліковано, Стаття Title A STUDY ON THE USE OF NORMALIZED L2-METRIC IN CLASSIFICATION TASKS popup.author Кондрук Н. Е.Kondruk N. E popup.publication 29-06-2025 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/332936 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. У машинному навчанні міри подібності та метрики відстані відіграють ключову роль у задачах класифікація, кластеризація та зменшення розмірності. Ефективність традиційних метрик, зокрема евклідової відстані, може бути обмеженою при застосуванні до складних наборів даних. Об’єктом дослідження є процеси класифікації та зменшення розмірності у задачах машинного навчання, зокрема використання метричних методів для визначення подібності між об’єктами.Мета роботи – оцінка доцільності та ефективності нормалізованої L2-метрики (нормалізованої евклідової метрики, NED) для підвищення точності алгоритмів машинного навчання, зокрема в задачах класифікації та зменшення розмірності.Метод. Математично доведено, що нормалізована L2-метрика задовольняє властивості обмеженості, масштабної інваріантності та монотонності. Показано, що NED можна інтерпретувати як міру несхожості векторів ознак. Її інтеграція в алгоритми k-найближчих сусідів і t-SNE досліджується на основі даних про хворобу Альцгеймера високої розмірності. У дослідженні реалізовано чотири моделі, що поєднують різні підходи до класифікації та зменшення розмірності. Модель M1 використовувала метод k-найближчих сусідів з евклідовою відстанню без зменшення розмірності, як базова; модель M2 використовувала нормалізовану L2-метрику в kNN; модель M3 інтегрувала t-SNE для зменшення розмірності, а потім kNN на основі евклідової відстані; модель M4 поєднувала t-SNE і нормалізовану L2-метрику як для зменшення розмірності, так і класифікації. Для всіх моделей було застосовано процедуру оптимізації гіперпараметрів, включаючи кількість сусідів, тип голосування та параметр перплексії в t-SNE. Для об’єктивної оцінки якості класифікації було проведено перехресну перевірку на п’яти фолдах. Крім того, було досліджено вплив нормалізації даних на точність моделі.Результати. Моделі, що використовували NED, стабільно перевершували моделі на основі евклідової відстані, причому найвища точність класифікації (91,4%) була досягнута при інтегруванні NED у t-SNE та методі найближчих сусідів (модель M4). Це підкреслює адаптивність NED до складних структур даних та її перевагу у збереженні ключових ознак як у високорозмірному, так і в низькорозмірному просторах.Висновки. Нормалізована метрика L2 демонструє потенціал як ефективна міра несхожості для задач машинного навчання. Вона покращує продуктивність алгоритмів, зберігаючи при цьому масштабованість і надійність, що вказує на її придатність для різних застосувань у контексті даних високої розмірності. popup.nrat_date 2026-02-26 Close