Investigation of machine learning classification methods effectiveness

Savchuk, Dmytro; Doroshenko, Anastasiya

doi:10.1109/csit52700.2021.9648582

Cited by 8 publications

(3 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Найкращими виявились модель випадкового лісу і послідовна нейронна мережа з результатами 88 і 91 % точності. У роботі [13] автори розглянули проблему класифікації ймовірності банкрутства компанії на підставі економічних і фінансових показників. У роботі [10] описано розв'язання задачі інтелектуального аналізу даних за допомогою нейронних методів структури моделі послідовних геометричних перетворень (NLS SGTM).…”

Section: результати дослідження та їх обговорення / Research Results ...unclassified

Модель Та Засоби Збирання Та Оброблення Даних З Використанням Машинного Навчання

Petryna,

Doroshenko,

Sydorenko

et al. 2023

Scientific Bulletin of UNFU

View full text Add to dashboard Cite

Досліджено вплив ітеративного методу зважування даних респондентів на підставі певних факторів на точність навчання моделі машинного навчання для вирішення завдань класифікації. Збір та оброблення даних є критичним етапом в процесі розроблення та використання моделей машинного навчання, оскільки якість та наочність даних безпосередньо впливають на точність та ефективність моделей. Проаналізовано математичне забезпечення алгоритмів моделей класифікації. Здійснено огляд літературних джерел, пов'язаних із тематикою статті. Проаналізовано набори даних, доступні у мережі для вирішення завдань класифікації. Розроблено програмне забезпечення для роботи із моделями машинного навчання. Проведено попередню підготовку вхідних даних для навчання та тестування вибраних моделей. Використано такі моделі класифікації, як наївний класифікатор Байєса, класифікатор випадкового лісу, наївний байєсів класифікатор Гауса, а також ітеративний метод зважування даних. Ці моделі інтегровано у програмне забезпечення, розроблене для оброблення, підготовки, зберігання даних. Досліджено обрані моделі із використанням попередньо підготовлених даних за допомогою програмного забезпечення відповідно до визначених сценаріїв. Згідно з результатами дослідження виявлено позитивний тренд на якість навчання моделей за коректної підготовки даних і вибору відповідних змінних для зважування даних респондентів. Показники ефективності, точності навчання алгоритму показують позитивну динаміку порівняно з результатами тестування моделей без використання зважування даних. Результатами дослідження підтверджується значущий вплив ітеративного методу зважування даних на результати навчання, тренування та тестування моделей машинного навчання, а саме мультиплікативного класифікатора Байєса.

show abstract

Section: результати дослідження та їх обговорення / Research Results ...unclassified

Модель Та Засоби Збирання Та Оброблення Даних З Використанням Машинного Навчання

Petryna,

Doroshenko,

Sydorenko

et al. 2023

Scientific Bulletin of UNFU

View full text Add to dashboard Cite

show abstract

“…Among the myriad of techniques used for data annotation, manual labeling stands out as a fundamental approach for enhancing the performance of AI models [3,4]. While extensive research has been conducted on manual labeling techniques and their impact on text classification, a critical gap remains in understanding the influence of data sorting methods on the quality of manual labeling for hierarchical classification tasks [5,6].…”

Section: Introductionmentioning

confidence: 99%

Data Sorting Influence on Short Text Manual Labeling Quality for Hierarchical Classification

Narushynska,

Teslyuk,

Doroshenko

et al. 2024

BDCC

Self Cite

View full text Add to dashboard Cite

The precise categorization of brief texts holds significant importance in various applications within the ever-changing realm of artificial intelligence (AI) and natural language processing (NLP). Short texts are everywhere in the digital world, from social media updates to customer reviews and feedback. Nevertheless, short texts’ limited length and context pose unique challenges for accurate classification. This research article delves into the influence of data sorting methods on the quality of manual labeling in hierarchical classification, with a particular focus on short texts. The study is set against the backdrop of the increasing reliance on manual labeling in AI and NLP, highlighting its significance in the accuracy of hierarchical text classification. Methodologically, the study integrates AI, notably zero-shot learning, with human annotation processes to examine the efficacy of various data-sorting strategies. The results demonstrate how different sorting approaches impact the accuracy and consistency of manual labeling, a critical aspect of creating high-quality datasets for NLP applications. The study’s findings reveal a significant time efficiency improvement in terms of labeling, where ordered manual labeling required 760 min per 1000 samples, compared to 800 min for traditional manual labeling, illustrating the practical benefits of optimized data sorting strategies. Comparatively, ordered manual labeling achieved the highest mean accuracy rates across all hierarchical levels, with figures reaching up to 99% for segments, 95% for families, 92% for classes, and 90% for bricks, underscoring the efficiency of structured data sorting. It offers valuable insights and practical guidelines for improving labeling quality in hierarchical classification tasks, thereby advancing the precision of text analysis in AI-driven research. This abstract encapsulates the article’s background, methods, results, and conclusions, providing a comprehensive yet succinct study overview.

show abstract

“…Compared to approaches that rely on content and user behavior analysis, this approach promises to be a proactive response to these attacks, as well as a faster response and reduced resource usage. Machine learning has proven its high ability to distinguish between these two titles through its powerful models that excel in the binary classification task [19].…”

Section: Introductionmentioning

confidence: 99%

Optimizing Phishing Threat Detection: A Comprehensive Study of Advanced Bagging Techniques and Optimization Algorithms in Machine Learning

2024

IJSER

View full text Add to dashboard Cite

Bagging constitutes a prominent ensemble learning technique in contemporary machine learning. With this process, various instances of the base model are trained using various subsets of the training data that are extracted by bootstrapping. The resulting models are then aggregated, often through voting in a classification problem, to enhance performance and predictive power. Recent advances in bagging techniques include variants such as Random Forests, which introduce additional randomness by selecting a random subset of features in each partition and boosting algorithms that iteratively optimize the model's focus on misclassified instances. The efficacy of these strategies in enhancing the generality and adaptability of machine learning models has been impressive. There are many studies that confirm the ability of ensemble learning models to detect phishing attacks. However, the techniques used by these models that have enhanced their detection capabilities have not been highlighted. The study reached important results in terms of accuracy of up to 97% through the random forest model and the Particle swarm optimization algorithm. This study seeks to contribute to advancing the field of cybersecurity by providing a robust and interpretable machine learning-based classifier that can be integrated into a framework to detect phishing attacks by distinguishing between legitimate URLs and phishing URLs.

show abstract

Investigation of machine learning classification methods effectiveness

Cited by 8 publications

References 6 publications

Модель Та Засоби Збирання Та Оброблення Даних З Використанням Машинного Навчання

Модель Та Засоби Збирання Та Оброблення Даних З Використанням Машинного Навчання

Data Sorting Influence on Short Text Manual Labeling Quality for Hierarchical Classification

Optimizing Phishing Threat Detection: A Comprehensive Study of Advanced Bagging Techniques and Optimization Algorithms in Machine Learning

Contact Info

Product

Resources

About