.tb-container .tb-container-inner{width:100%;margin:0 auto} .wp-block-toolset-blocks-container.tb-container[data-toolset-blocks-container="9d371cc4f1740103f1f3a13231de6b3b"] { border-radius: 7px;padding: 25px;border: 1px solid rgba( 166, 55, 189, 0.55 ); } .tb-field[data-toolset-blocks-field="d63a74801051d3090d414a4114fd48a8"] { font-size: 14px;color: rgba( 61, 61, 61, 1 ); }  .tb-field[data-toolset-blocks-field="1aaccac0f35d2dcbfd4eeb0d2db900be"] { font-weight: bold;color: rgba( 155, 81, 224, 1 ); }  .tb-field[data-toolset-blocks-field="1aaccac0f35d2dcbfd4eeb0d2db900be"] a { font-weight: bold; } .tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end}.tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="786e014b2e414fb0149a4ea645bdbdbe"] { grid-template-columns: minmax(0, 0.78fr) minmax(0, 0.22fr);grid-auto-flow: row } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="786e014b2e414fb0149a4ea645bdbdbe"] > .tb-grid-column:nth-of-type(2n + 1) { grid-column: 1 } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="786e014b2e414fb0149a4ea645bdbdbe"] > .tb-grid-column:nth-of-type(2n + 2) { grid-column: 2 } .tb-container .tb-container-inner{width:100%;margin:0 auto} .wp-block-toolset-blocks-container.tb-container[data-toolset-blocks-container="7fab3b54ecc84e84e44e228bf81b136d"] { background: rgba( 6, 147, 227, 1 );padding: 25px; } .tb-field[data-toolset-blocks-field="40342d89b265453b0eb1e41dc19edc71"] { font-weight: bold;text-transform: uppercase;color: rgba( 255, 255, 255, 1 ); }  .wp-block-toolset-blocks-grid-column.tb-grid-column[data-toolset-blocks-grid-column="3034fbe886c11054e95b46b09d3e4112"] { display: flex; }     .tb-field[data-toolset-blocks-field="e31dcba0cffe97b01fb1391fd3e75aba"] a { color: rgba( 6, 147, 229, 0.58 );text-decoration: none;text-transform: uppercase; } .tb-field[data-toolset-blocks-field="ad082096fbb52a749a0892295378f993"] { text-transform: uppercase;color: rgba( 123, 220, 181, 1 ); }  .tb-field[data-toolset-blocks-field="ad082096fbb52a749a0892295378f993"] a { color: rgba( 0, 209, 132, 0.48 );text-decoration: none;text-transform: uppercase; } h1.tb-heading[data-toolset-blocks-heading="19e80d956559bebc21e8928194d671d2"]  { text-transform: uppercase; }  @media only screen and (max-width: 781px) { .tb-container .tb-container-inner{width:100%;margin:0 auto}  .tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end}.tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="786e014b2e414fb0149a4ea645bdbdbe"] { grid-template-columns: minmax(0, 0.5fr) minmax(0, 0.5fr);grid-auto-flow: row } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="786e014b2e414fb0149a4ea645bdbdbe"] > .tb-grid-column:nth-of-type(2n + 1) { grid-column: 1 } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="786e014b2e414fb0149a4ea645bdbdbe"] > .tb-grid-column:nth-of-type(2n + 2) { grid-column: 2 } .tb-container .tb-container-inner{width:100%;margin:0 auto} .wp-block-toolset-blocks-grid-column.tb-grid-column[data-toolset-blocks-grid-column="3034fbe886c11054e95b46b09d3e4112"] { display: flex; }        } @media only screen and (max-width: 599px) { .tb-container .tb-container-inner{width:100%;margin:0 auto}  .tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end}.tb-grid,.tb-grid>.block-editor-inner-blocks>.block-editor-block-list__layout{display:grid;grid-row-gap:25px;grid-column-gap:25px}.tb-grid-item{background:#d38a03;padding:30px}.tb-grid-column{flex-wrap:wrap}.tb-grid-column>*{width:100%}.tb-grid-column.tb-grid-align-top{width:100%;display:flex;align-content:flex-start}.tb-grid-column.tb-grid-align-center{width:100%;display:flex;align-content:center}.tb-grid-column.tb-grid-align-bottom{width:100%;display:flex;align-content:flex-end} .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="786e014b2e414fb0149a4ea645bdbdbe"] { grid-template-columns: minmax(0, 1fr);grid-auto-flow: row } .wp-block-toolset-blocks-grid.tb-grid[data-toolset-blocks-grid="786e014b2e414fb0149a4ea645bdbdbe"]  > .tb-grid-column:nth-of-type(1n+1) { grid-column: 1 } .tb-container .tb-container-inner{width:100%;margin:0 auto} .wp-block-toolset-blocks-grid-column.tb-grid-column[data-toolset-blocks-grid-column="3034fbe886c11054e95b46b09d3e4112"] { display: flex; }        } 

Прикладной проект «Задачи и методы классификации. Способы оценки качества классификации»

прикладной проект

Математика

Автор: Шухтина Александра Николаевна

Место работы/учебы: МБОУ гимназия "Пущино", Московская область, 11 класс

Научный руководитель: Кашо Екатерина Александровна, учитель физики

Аннотация

В настоящее время растет значимость анализа данных, который применяется повсеместно. Анализ данных подразумевает подходы и алгоритмы, решающие различные задачи, одной из которых является задача классификации. Актуальность работы обусловлена повышенным вниманием отечественных исследователей к компьютеризированному анализу данных.

Тип проекта: прикладной.

Задачи проекта:

определить понятие «классификация» и ее задачи;
описать существующие базовые методы классификации данных (наивный Байесовский классификатор, семейство методов ближайших соседей, метод «Деревья решений»);
изучить способы оценки качества классификации данных.

Методы анализа: анализ, синтез, обобщение, метод классификации.

Объектом исследования является анализ данных.

Предмет исследования: решение задач классификации данных.

Практическое значение данной работы дает возможность использовать ее основные выводы и положения в курсах по программированию и теории автоматического управления.

Результаты

В рамках данного исследования была достигнута поставленная цель и выполнены все исследовательские задачи, а именно определено понятие «классификация» и ее задачи, описаны существующие базовые методы классификации данных (наивный Байесовский классификатор, семейство методов ближайших соседей, метод «Деревья решений»), изучены способы оценки качества классификации данных.
Рассмотрение теоретических аспектов классификации данных показывает, что классификация является одной из важнейших задач интеллектуального анализа данных, которая применяется в маркетинге при оценке кредитоспособности заемщиков, определении лояльности клиентов, распознавании образов, медицинской диагностике и многих других сферах.