Search academic texts

Information × Registration Number 2125U004511, Article popup.category Стаття, Опубліковано, Рецензована стаття Title FUZZY ENSEMBLE OF DECISION TREES FOR THE COMPUTER SYSTEMS STATE IDENTIFICATION popup.author Chelak ViktorHornostal OleksiiChelak ViktorHornostal Oleksii popup.publication 02-12-2025 popup.source_user Національний університет «Полтавська політехніка імені Юрія Кондратюка» popup.source https://journals.nupp.edu.ua/sunz/article/view/4120 popup.publisher Національний університет «Полтавська політехніка імені Юрія Кондратюка» Description Об'єктом дослідження є процес ідентифікації стану комп’ютерних систем. Предметом дослідження є методи нечіткого ансамблю дерев з багатовимірними вузлами рішень для ідентифікації стану комп’ютерних систем. Метою дослідження є розробка та оцінка ефективності нечіткого ансамблю дерев рішень для підвищення точності ідентифікації стану комп’ютерних систем за умов наявності невизначеності, шумових впливів та неповних даних. Методи, що використовуються: методи машинного навчання, методи попередньої обробки даних, ансамблеві класифікатори, стекінгові підходи, методи комбінування та вибору ознак КС. Отримані результати: досліджено ефективність класичних та розроблених методів для ідентифікації стану комп’ютерних систем у складних умовах, що включають дисбаланс даних та наявність аномальних станів. Запропоновано комплексний підхід із використанням Fuzzy Stacking з MDT, що забезпечує високу точність і стабільність класифікації. Найкращі результати отримано саме для стекінгового підходу, який поєднує базові класифікатори та нечіткі дерева рішень, дозволяючи мінімізувати помилки першого та другого роду та досягти високих показників узагальнюючої здатності (MCC, F1-score, TS, LN(DOR)). Висновки. За результатами дослідження запропоновано удосконалений підхід до ідентифікації стану комп’ютерних систем, який поєднує стекінговий метод із Fuzzy MDT та оптимізацію вибору ознак. Комплексне використання цих методів дозволяє значно покращити точність класифікації, стабільність результатів та стійкість моделей до дисбалансу даних, а також забезпечує високу якість класифікації навіть у випадках появи нових аномальних станів. popup.nrat_date 2026-04-19 Close