Аннотация:Все более и более востребованным на практике становятся методы нахождения закономерностей в больших объемах данных и, в частности, алгоритмы машинного обучения на прецедентах. Подавляющее большинство таких алгоритмов позволяют учитывать лишь вещественные признаки для описания наблюдаемых объектов. Однако в реальной практике часто встречаются задачи с категориальными признаками, принимающими свои значения из конечного неупорядоченного множества. В настоящей работе проанализированы имеющиеся алгоритмы, учитывающие категориальные признаки, а также предложены новые подходы. Работа всех описанных методов была исследована на реальных наборах данных.
