ИСТИНА

Проблема оценки вероятности ошибочной классификации произвольного объекта одна из основных в теории обучения по прецедентам. В основном потоке публикаций по данной тематике рассматривается постановка задачи в рамках того или иного развития известной теории Вапника-Червоненкиса (VC-теория). В данной работе представлены результаты в решении указанной задачи, полученные с использованием новой информационной модели алгоритма классификации, свободной от положений VC-теории и классического статистического подхода к оценке вероятности случайных событий. Для оценки вероятности P правильной классификации алгоритмом A произвольного объекта осуществляется тестирование алгоритма на контрольной выборке прецедентов. При этом единственными данными для оценки является информация о том, что на контрольной выборке длины n алгоритм совершил m ошибок. В подходах на основе VC-теории принимается Гипотеза: «Алгоритм классификации выбирается из фиксированного заранее семейства F». Результатом этого становится необходимость решать непростые, а подчас и неразрешимые вопросы определения различных характеристик класса F, таких как ёмкость, функция роста, коэффициент разнообразия и др. В основе предложенной модели лежит введение в рассмотрение параметра 0≤t≤1 переобученности алгоритма и его статистическое оценивание. Крайние значения параметра означают: t=0 удалось построить алгоритм, всегда правильно осуществляющий классификацию любого предъявляемого объекта; t=1 построенный алгоритм выдаёт случайный (с вероятностью p – правильный) ответ о принадлежности объекта. Предложенная информационная модель более адекватна классифицирующему алгоритму, чем классическая и не использует вышеприведённую Гипотезу являющуюся наиболее слабым местом VC-теории. На основе введённой модели полученены более точные, чем классические, оценки надёжности классификации.