Актуальные проблемы авиации и космонавтики - 2017. Том 2
УДК 519.6
СРАВНЕНИЕ ЭФФЕКТИВНОСТИ АНСАМБЛЕЙ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ ПРИ ПРИНЯТИИ РЕШЕНИЙ В ИГРАХ
М. В. Гордиенко
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: Manamah24@yandex.ru
Проведено исследование эффективности ансамблей информационных интеллектуальных технологий при решении игровых задач в программной системе RapidMiner.
Ключевые слова: ансамбль, информационные интеллектуальные технологии, игровые задачи.
COMPARISON OF THE INTELLIGENT TECHNOLOGY ENSEMBLES EFFECTIVENESS IN GAMES DECISION-MAKING
M. V. Gordienko
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: Manamah24@yandex.ru
In this paper, the effectiveness of information intelligent technology ensembles in games decision making has investigated with the RapidMiner system.
Keywords: ensemble, information intelligent technologies, games.
Данное исследование было выполнено с помощью программной системы RapidMiner [1]. Для решения игровых задач были выбраны следующие алгоритмы классификации: k-NN (метод ближайших соседей), Decision tree (дерево принятия решений), Neural Net (искусственная нейронная сеть), Naïve Bayes (Наивный байессовский классификатор), W-SMO (метод опорных векторов). Были использованы 2 базы данных: «крестики-нолики», с количеством экземпляров -958, атрибутов - 9, классов - 2; «4 в ряд», с количеством экземпляров - 67557, атрибутов - 42, классов - 3 [2]. Усреднение производилось по 50 запускам алгоритмов, сравнение оценок эффективности каждого алгоритма классификации осуществлялось с помощью t-критерия Стьюдента.
Результаты вычислений (процент правильных ответов и значения t-критерия Стьюдента) представлены ниже в таблицах.
Таблица 1
Результаты вычисления алгоритмов
k-NN Decision tree Neural Net Naive Bayes W-SMO
67,45 66,26 97,53 70,42 98,36
Результаты t-Test Таблица 2
k-NN Decision tree Neural Net Naive Bayes W-SMO
k-NN 0,000 0,003 0,000 0,000 0,000
Decision tree 0,000 0,000 0,000 0,000
Neural Net 0,000 0,000 0,000
Naive Bayes 0,000 0,000
W-SMO 0,000
Секция «Математические методы моделирования, управления и анализа данных»
Результаты вычислений ансамблей алгоритмов
Таблица 3
Из 3-х лучших Из 3-х худших Из 5-ти Из 2-х лучших и 2-х худших
98,34 57,51 75,01 72,93
Результаты вычисления алгоритмов
Таблица 4
k-NN Decision tree Neural Net Naive Bayes W-SMO
22,36 53,49 99,99 66,69 100
Результаты t-Test Таблица 5
k-NN Decision tree Neural Net Naive Bayes W-SMO
k-NN 0,000 0,000 0,000 0,000 0,000
Decision tree 0,000 0,000 0,000 0,000
Neural Net 0,000 0,000 0,000
Naive Bayes 0,000 0,000
W-SMO 0,000
Результаты вычислений ансамблей алгоритмов
Таблица 6
Из 3-х лучших Из 3-х худших Из всех Из 2-х лучших и 2-х худших
98,34 57,51 75,01 72,93
В результате анализа табл. 1, 2 и 3 можно утверждать, что наибольшей эффективностью при решении задачи обладают методы Neural Net и SMO. Все виды ансамблей показывают меньшую эффективность, в сравнении с «лучшим» методом. Ансамбль из 3-х худших также показывает меньшую эффективность, чем «худший» метод. При объединении всех методов ощутимо падает точность, как и в случае объединения 2-х «лучших» и 2-х «худших»
В результате анализа табл. 4, 5 и 6 можно утверждать, что наилучшей эффективностью при решении задачи обладают методы Neural Net и SMO. Все виды ансамблей показывают меньшую эффективность, в сравнении с «лучшим» методом. Ансамбль из 3-х худших также показывает меньшую эффективность, чем «худший» метод. При объединении всех методов ощутимо падает точность, как и в случае объединения 2-х «лучших» и 2-х «худших».
Библиографические ссылки
1. Rapid Miner [Электронный ресурс]. URL: https://rapidminer.com/ (дата обращения: 30.11.2016).
2. Machine Learning Repository [Электронный ресурс]. URL: http://archive.ics.uci.edu/ml/ datasets/ (дата обращения: 15.02.2017).
© Гордиенко М. В., 2017