vestreaВестник Российского экономического университета имени Г. В. ПлехановаVestnik of the Plekhanov Russian University of Economics2413-28292587-9251Plekhanov Russian University of Economics10.21686/2413-2829-2015-4-148-152vestrea-74Research ArticleНАУЧНАЯ ЖИЗНЬSCIENTIFIC NEWSИСПОЛЬЗОВАНИЕ МЕТРИЧЕСКИХ ПРИЗНАКОВ В РЕШАЮЩИХ ДЕРЕВЬЯХ НА ПРИМЕРЕ ЗАДАЧИ КЛАССИФИКАЦИИ ТИПОВ ЛЕСНЫХ МАССИВОВTHE USAGE OF METRIC FEATURES IN PREDICTION WITH DECISION TREES DEMONSTRATED ON THE TASK OF FOREST COVER TYPE CLASSIFICATIONКитовВиктор ВладимировичKitovVictor V.

кандидат физико-математических наук, ведущий научный сотрудник лаборатории об-лачных технологий и аналитики больших данных РЭУ им. Г. В. Плеханова

117997, Москва, Стремянный пер., д. 36

PhD, Leading Researcher of the Laboratory of Cloud Technologies and Analysis of Big Data of of the PRUE

36 Stremyanny Lane, Moscow, 117997, Russian Federation

v.v.kitov@yandex.ruРЭУ им. Г. В. ПлехановаРоссияPlekhanov Russian University of EconomicsRussian Federation20150609201704148152Copyright © Китов В.В., 20172017Китов В.В.Kitov V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vest.rea.ru/jour/article/view/74

Методы классификации по характеру принятия решения делятся на методы, использующие глобальную оптимизацию (все наблюдения обучающей выборки), и локальную оптимизацию (наблюдения только в малой окрестности исследуемого объекта). Перспективным направлением исследований является совмещение преимуществ каждого подхода в одном объединенном классификаторе. В статье предложен метод объединения этих подходов за счет встраивания локальных метрических признаков в подход, использующий глобальную оптимизацию. Данный подход продемонстрирован для случая, когда в качестве классификатора, использующего глобальную оптимизацию, применяются методы случайного леса (random forest) и особо случайных деревьев (extra random trees). Предложены различные варианты метрических признаков. Перспективность указанного подхода проиллюстрирована на примере решения задачи классификации типа лесных массивов, в которой добавление предложенных метрических признаков существенно улучшило точность классификации.

Methods of classification by nature of decision-making divide on methods using global optimization (all training samples are used), and local optimization (only samples in the neighbourhood of the studied object are used). The perspective direction of research is combination of advantages of each approach in one integrated classifier. In article the method of combination of these approaches by embedding of local metric features into the approach using global optimization is proposed. This approach is shown for a case when the classifier using global optimization is random forest and extra random trees. Various variants of metric features are evaluated. Performance of the proposed approach is illustrated on the forest cover type prediction task, where it leads to significant improvement in classification accuracy.

классификациярешающие деревьяметрические признакитип лесного покроваclassificationdecisive treesmetric signstype of a forest coverReferencesChih-Fong Tsai, Chia-Ying Lin. A Triangle Area Based Nearest Neighbors Approach to Intrusion Detection // Pattern Recognition. - 2010. - Vol. 43 (1). - P. 222-229Chih-Fong Tsai, Chia-Ying Lin. A Triangle Area Based Nearest Neighbors Approach to Intrusion Detection. Pattern Recognition, 2010, Vol. 43 (1), pp. 222–229.Chih-Fong Tsai, Wei-Yang Lin, Zhen-Fu Hong, Chung-Yang Hsieh. Distance-Based Features in Pattern Classification // EURASIP Journal on Advances in Signal Processing. - 2011. - N 62. - URL: http://asp.eurasipjournals.com/content/2011/1/62 (accessed 25.05.2015)Chih-Fong Tsai, Wei-Yang Lin, Zhen-Fu Hong, Chung-Yang Hsieh. Distance-Based Features in Pattern Classification. EURASIP Journal on Advances in Signal Processing, 2011, No. 62. Available at: http://asp.eurasipjournals.com/content/2011/1/62 (accessed 25.05.2015).Greeshma K., Merin Meleet. Detecting Network Intrusions Using New Feature Representations // International Journal of Advanced Research in Computer Science and Software Engineering. - 2013. - N 3 (6). - P. 645-649Greeshma K., Merin Meleet. Detecting Network Intrusions Using New Feature Representations. International Journal of Advanced Research in Computer Science and Software Engineering, 2013, No. 3 (6), pp. 645–649.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. - URL: http://web.stanford.edu/~hastie/local.ftp/Springer/ OLD/ESLII_print4.pdf (accessed 25.05.2015)Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Available at: http://web.stanford.edu/~hastie/local.ftp/Springer/OLD/ESLII_print4.pdf (accessed 25.05.2015).

The authors declare that there are no conflicts of interest present.