Academic literature on the topic 'K ближайших соседей'

В статье рассматриваются нечёткие алгоритмы классификации, основанные на правиле «ближайших соседей», в контексте теории алгоритмов распознавания, основанных на вычислении оценок (АВО). Установлено, что нечёткий алгоритм K ближайших соседей можно отнести к классу АВО. В свою очередь, показано, что стандартные алгоритмы вычисления оценок, зависящие от ряда входных параметров, можно использовать как нечёткие алгоритмы классификации. При этом среди них существуют экстремальные (по входным параметрам) алгоритмы, дающие максимум функционалов качества. In the paper some fuzzy classification algorithms based upon a nearest neighbor decision rule are considered in terms of the theory of pattern recognition algorithms based on computation of estimates (AEC). It is shown that the fuzzy K nearest neighbor algorithm can be assigned to the AEC class. In turn, it is found that some standard algorithms of AEC class, depending on a number of input parameters, can be used as fuzzy classification algorithms. Yet among them there exist extremal algorithms which provide maximum values of their performance measures

Репличным методом Монте-Карло выполнены исследования критического поведения трехмерной антиферромагнитной модели Изинга на объемно центрированной кубической решетке с учетом взаимодействий следующих за ближайшими соседей. Исследования проведены для соотношений величин обменных взаимодействий следующих за ближайшими и ближайших соседей k=J2/J1 в диапазоне значений k [0.0,1.0] с шагом Delta k=0.1. В рамках теории конечно-размерного скейлинга рассчитаны статические критические индексы теплоемкости alpha, восприимчивости gamma, параметра порядка beta, радиуса корреляции nu, а также индекс Фишера eta. Показано, что класс универсальности критического поведения этой модели сохраняется в интервале значений k [0.0,0.6]. Установлено, что в диапазоне k [0.8,1.0] наблюдается неуниверсальное критическое поведение. Исследование выполнено при финансовой поддержке РФФИ в рамках научных проектов N 16-02-00214-а и 16-32-00105-мол-а. DOI: 10.21883/FTT.2017.06.44480.169

В настоящее время услуги электронного здравоохранения стали бурно развивающейся областью, которая относится к компьютерному здравоохранению и предоставлению информации для улучшения медицинского обслуживания на местном, региональном и мировом уровне. Эффективная модель прогнозирования риска заболевания путем анализа электронных медицинских данных помогает не только лечить пациента, но и предоставлять услуги через соответствующие системы электронного здравоохранения, основанные на данных. В данной работе мы уделяем особое внимание прогнозированию и анализу сахарного диабета, все более распространенного хронического заболевания, которое относится к группе метаболических нарушений, характеризующихся высоким уровнем сахара в крови в течение длительного периода времени. K Nearest Neighbor (KNN) является одним из самых популярных и простых методов машинного обучения для построения такой модели прогнозирования риска заболевания на основе соответствующих медицинских данных. Для достижения нашей цели мы представляем оптимальную модель прогнозирования на основе обучения K Nearest Neighbor (Opt-KNN), основанную на привычных атрибутах пациента в различных измерениях. Этот подход определяет оптимальное количество соседей с низким коэффициентом ошибок для обеспечения лучшего прогнозирования в результирующей модели. Эффективность этой модели электронного здравоохранения на основе машинного обучения проверяется путем проведения экспериментов на реальных данных о сахарном диабете, собранных в медицинских учреждениях. больниц.

В данной статье представлен подход к декомпозиции временных рядов потребления электроэнергии с использованием субполосных представлений. Исследование ориентировано на выделение квазипериодической компоненты и случайных флуктуаций временных рядов, а также на анализ их распределений. Физический фундамент субполосных представлений является важным обоснованием адекватности данного метода, позволяющим учитывать особенности исследуемых временных рядов и эффективно решать задачи выделения системных и остаточных компонент. Исследованы гипотезы о распределениях случайных компонент (нормальное, логнормальное, гамма-распределение и др.), определены погрешности аппроксимации временного ряда с выделенной квазипериодической компонентой и нормально распределенными остатками. Также проведено сравнение результатов декомпозиции с использованием методов экспоненциального сглаживания и k-ближайших соседей. Выявлено, что субполосные представления обеспечивают минимальный уровень автокорреляции остатков при высокой точности декомпозиции. Продемонстрирована эффективность метода на данных бытового и коммерческого сектора потребления электроэнергии. <strong><em>Ключевые слова:</em></strong><strong> </strong>временные ряды потребления электроэнергии, субполосные представления, декомпозиция временного ряда, экспоненциальное сглаживание, k -ближайших соседей, dbscan.

In this paper the investigation of the structure of k-NN graph is presented. The purpose of this analysis is to match the probability of implementation particular graph under assumption of a certain distribution of distances between vertices and depending on the number of vertices. Sample distributions of the graph by the number of disconnected fragments, fragments by the number of vertices, and vertices by the degrees of incoming edges are used as the main statistics. As an example, the problem of identifying the author of a text by the n-gram method is considered.

Статья посвящена разработке информационной модели профес-сиональной ориентации, ориентированной на анализ компетенций с использованием метода k-ближайших соседей (k-NN). В работе метод применяется для оценки уровня развития различных профессиональных навыков и компетенций у студентов, а также для определения соответствия этих компетенций требованиям конкретных профессий. Осуществляет процесс сбора и обработки данных о компетенциях, а также построение моделей, которые помогают спрогнозировать подходящую профессиональную деятельность для каждого человека. Особое внимание уделено возможностям применения k-NN для создания персонализированных рекомендаций по выбору профессии на основе уже существующих функций и интересов.

Показано, что при одновременном и последовательном осаждении пленок системы Cu2Te-In2Te3, а также используемых в качестве исходных материалов меди, индия и теллура высшей очистки &amp;#126;99.999&amp;#37;, взятых в соотношениях Cu : In : Te = 1 : 5 : 8, независимо от порядка напыления выделяются тройные соединения составов CuInTe2, CuIn3Te5 и CuIn5Te8 в кристаллическом состоянии. При вакуумной конденсации пленок на монокристаллические подложки NaCl, KCl и аморфный целлулоид, охлажденные жидким азотом до 203 K, образующиеся пленки, полученные как совместным испарением двойных соединений системы Cu2Te-In2Te3, так и синтезом тонких слоев, примененных Cu, In, Te, являются аморфными. Впервые в наноразмерных аморфных пленках состава CuIn5Te8, кристаллизующихся в тетрагональной сингонии с периодами элементарных ячеек a=6.162 Angstrem, c=12.291 Angstrem, полученных как в обычных условиях, так и в условиях воздействия внешнего электрического поля напряженностью 500 В &amp;#183; см-1, установлена структура ближнего атомного порядка --- число ближайших соседей, координационные числа и радиусы координационных сфер. Выявлено, что в аморфных пленках CuIn5Te8, полученных в условиях воздействия внешнего электрического поля, в которых матрицы состоят из тетраэдрических и октаэдрических окружений атомов, в отличие от пленок, формирующихся без воздействия поля, число ближайших соседей, оставаясь неизменным, радиусы координационных сфер и межатомные расстояния несколько укорачиваются. Ключевые слова: фазообразование, электронограмма, функция радиального распределения атомов (ФРРА), когерентное рассеяние электронов.

В работе проведено исследование влияния порога бинаризации вероятностного прогноза классификатора k-ближайших соседей на значение метрики ROC AUC. Путем варьирования порога бинаризации прогнозов и расчета ROC AUC выявлен оптимальный порог, при котором достигается максимальное значение метрики. Актуальность работы обусловлена широким практическим применением вероятностных классификаторов и необходимостью преобразования их непрерывных прогнозов в дискретные классы. Целью исследования является нахождение оптимального значения порога бинаризации для конкретного классификатора и набора данных на основе анализа зависимости метрики качества ROC AUC от величины порога. Полученные результаты могут быть использованы для настройки и оптимизации работы классификаторов, основанных на вероятностных прогнозах.

Изучается модель HC-Блюма-Капеля со счетным множеством $\mathbb Z$ значений спина и силой взаимодействия $J\in \mathbb R$ ближайших соседей на дереве Кэли порядка $k\geq 2$. Получены следующие результаты. Пусть $\theta=e^{-J/T}$, $T&gt;0$ - температура. При $\theta\geq1$ не существуют трансляционно-инвариантные меры Гиббса, а также не существуют 2-периодические меры Гиббса. При $0&lt;\theta&lt;1$ доказана единственность трансляционно-инвариантной меры Гиббса. Пусть $\Theta=\sum_i\theta^{(k+1)i^2}$ и $\Theta_\mathrm{cr}(k)=k^k/(k-1)^{k+1}$. Если $0&lt;\Theta\leq\Theta_\mathrm{cr}$, существует ровно одна 2-периодическая мера Гиббса, которая является трансляционно-инвариантной мерой Гиббса. При $\Theta&gt;\Theta_\mathrm{cr}$ существуют ровно три 2-периодические меры Гиббса, одна из которых является трансляционно-инвариантной мерой Гиббса.

Final qualifying work (master's thesis) is devoted to the reserching of the methods of identifying the manipulations that undermine the effectiveness of the stock market. The subject of the research is the way of identifying manipulative transactions in the stock market of Russia. The main purpose of the research is the development of specific proposals and the selection of statistical methods relevant for the Russian stock market to improve the existing system of state control aimed at identifying various types and methods of manipulative trading in the stock market. In conclusion, practical steps for the strengthen of the stock market of the Russian Federation are formulated.<br>Выпускная квалификационная работа (магистерская диссертация) посвящена изучению методов выявления манипуляций, подрывающих эффективность фондового рынка. Предметом исследования выступают методы выявления манипулятивных сделок на российском фондовом рынке. Основной целью исследования выступает разработка конкретных предложений и выбор статистических методов, релевантных для российского фондового рынка, для совершенствования существующей системы государственного контроля, направленной на выявление различных видов и способов манипулятивной торговли на фондовом рынке. В заключении сформулированы практические шаги по укреплению фондового рынка Российской Федерации.

Дифференциальная диагностика типов сахарного диабета (СД) наиболее актуальна в группе молодых&#x0D; взрослых пациентов (18-45 лет), у которых могут манифестировать как классический СД 1 типа (СД1)&#x0D; и СД 2 типа (СД2), так и сложно классифицируемые LADA и MODY, имеющие черты одновременно и СД1,&#x0D; и СД2. У 7-26% молодых взрослых пациентов тип СД определен неправильно. Выполнение молекулярно-&#x0D; генетического (МГИ) и иммунологического анализа, определение уровня С-пептида всем без исключения&#x0D; пациентам повлечет неоправданные затраты, эти исследования часто труднодоступны, в связи с чем&#x0D; предпринимаются многочисленные попытки разработки алгоритмов машинного обучения (МО) для диф-&#x0D; ференциальной диагностики типов СД.&#x0D; ЦЕЛЬ: проанализировать особенности алгоритмов дифференциальной диагностики типов СД на основе&#x0D; МО, представленных в литературных источниках.&#x0D; МАТЕРИАЛЫ И МЕТОДЫ: поиск информации проводился в базах PubMed, Google Scholar, проана-&#x0D; лизированы публикации с 2010 по 2022 год. Использованы медицинские предметные рубрики diabetes&#x0D; mellitus, differential diagnosis, classification, machine learning, artificial intelligence в различных комбинациях&#x0D; с применением логических операторов OR и AND.&#x0D; РЕЗУЛЬТАТЫ: найдено 12 публикаций, посвященных дифференциальной диагностике СД с помо-&#x0D; щью МО. Алгоритмы Lynam (2020), Qureshi (2017), Romantschuk, (2021), Wang (2017), Nooney (2020), Lo-&#x0D; Ciganic (2011) ориентированы на дифференциальную диагностику лишь СД1 и СД2. Для диагностики&#x0D; LADA предложены алгоритмы Wang (2021), Cheheltani (2022), Miller (2021), MODY – алгоритмы Mulligan&#x0D; (2021). Единственный алгоритм классификации пациентов по группам СД1, СД2, ГСД, LADA, MODY, - это&#x0D; многослойный персептрон Mainenti и соавт., 2020, однако, в его разработке не участвовали практикующие&#x0D; эндокринологи, а имеющиеся диагнозы принимались как заведомо истинные, что могло привести к по-&#x0D; вторению алгоритмом тех же ошибок, которые совершаются в рутинной практике.&#x0D; В качестве входных параметров часто использовались пол, возраст в дебюте СД, ИМТ, антитела&#x0D; к β-клеткам, липидный профиль, HbA1c, семейный анамнез. Наиболее популярны алгоритмы на основе&#x0D; «дерева решений», методы логистической регрессии, k-ближайших соседей, опорных векторов, ансамбли,&#x0D; нейросети. Размер обучающих выборок в основном был небольшим и составлял от 213 до 2224 человек,&#x0D; и лишь в двух алгоритмах использовано более 100 тысяч и 700 тысяч записей. Алгоритмы в основном име-&#x0D; ли высокие показатели точности, полноты, чувствительности, специфичности (&gt;85%), но все они имеют&#x0D; ограничения, например, по возрасту, спектру типов СД.&#x0D; ВЫВОДЫ: разработанные зарубежными исследователями алгоритмы для определения типа СД об-&#x0D; ладают рядом существенных недостатков и не находятся в открытом доступе. Использование в каче-&#x0D; стве входных данных высокоспецифичных маркеров того или иного типа СД (например, уровня антител&#x0D; к β-клеткам) лишает практического смысла использование алгоритмов в качестве системы поддержки при-&#x0D; нятия врачебных решений в первичном звене. Актуальна разработка алгоритма МО, способного с высокой&#x0D; вероятностью определять тип СД на основе лишь анамнестических, клинических данных и результатах&#x0D; рутинных анализов и выделять когорту пациентов, которые нуждаются в проведении МГИ и иммунологи-&#x0D; ческого исследования.