УДК 004
DOI: 10.36871/ek.up.p.r.2026.04.09.017

Авторы

Азамат Ахмедович Аласханов,
Хава Сеитхамзатовна Халиева,
Грозненский государственный нефтяной технический университет имени академика М.Д. Миллионщикова, Грозный, Россия

Аннотация

В статье исследуются теоретические и прикладные аспекты создания информационных технологий интеллектуальной классификации многомерных данных, функционирующих в условиях неопределённости и несбалансированности классов, что представляет собой актуальную проблему современного анализа данных, поскольку реальные массивы информации, генерируемые в экономических, медицинских, технических и социальных системах, характеризуются высокой размерностью, неполнотой, зашумлённостью и существенным дисбалансом между классами, когда объекты одного класса (как правило, наиболее значимого с точки зрения решаемой задачи) представлены значительно меньшим числом наблюдений, чем объекты других класса, что приводит к смещению классификационных моделей в сторону доминирующих классов и снижению чувствительности к редким, но критически важным событиям. На основе синтеза положений теории машинного обучения, статистического анализа и методов работы с неопределённостью автором рассматриваются основные типы неопределённости, присущие многомерным данным, включая неполноту данных (наличие пропущенных значений), неточность измерений (наличие шумов и выбросов), нечёткость границ между классами, а также неопределённость, связанную с нестационарностью распределений. Анализируются методы предварительной обработки многомерных данных, направленные на снижение размерности, очистку от шумов и выбросов, а также заполнение пропусков с использованием статистических и вероятностных методов.

Ключевые слова

интеллектуальная классификация, многомерные данные, неопределённость, несбалансированность классов

Список литературы

  1. Воронцов К.В. Математические методы обучения по прецедентам. – М.: МЦНМО, 2020. – 432 с.
  2. Дюк В.А. Интеллектуальный анализ данных: от данных к знаниям. – СПб.: БХВ-Петербург, 2021. – 528 с.
  3. Лесин В.В., Лисовец Ю.П. Основы методов машинного обучения. – СПб.: Издательство СПбГУ, 2020. – 312 с.
  4. Сенаторов В.А., Шумилов А.С. Анализ больших данных: методы и инструменты. – М.: ДМК Пресс, 2020. – 312 с.
  5. Чубукова И.А. Data Mining: учебное пособие. – М.: Интернет-университет информационных технологий, 2021. – 476 с.
  6. Шитов В.Н., Колосов Д.А. Применение методов машинного обучения для прогнозирования экономических временных рядов // Информационные технологии и вычислительные системы. – 2023. – № 2. – С. 56–71
  7. Аюпов Р.Х., Бикташев Р.Р. Методы обнаружения аномалий в экономических данных: сравнительный анализ // Искусственный интеллект и принятие решений. – 2022. – № 1. – С. 23–41
  8. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии в экономике. – М.: Издательство МГТУ им. Н.Э. Баумана, 2023. – 408 с.