ISSN: 2381-8719
Сейед Али Джафари Кенари и Шьямсия Машохор
Комитетная машина (КМ) или ансамбль представляет собой метод машинного обучения, который объединяет некоторых учащихся или экспертов для улучшения производительности обобщения по сравнению с одним членом. Построенные КМ иногда неоправданно велики и имеют некоторые недостатки, такие как использование дополнительной памяти, вычислительные затраты и периодическое снижение эффективности. Отсечение некоторых членов этого комитета при сохранении высокого разнообразия среди отдельных экспертов является эффективным методом для повышения производительности прогнозирования. Разнообразие между членами комитета является очень важным параметром измерения, который не обязательно независим от их точности, и по сути между ними существует компромисс. В этой статье сначала мы построили комитетную нейронную сеть с различными алгоритмами обучения, а затем предложили метод экспертного отсечения, основанный на компромиссе между разнообразием и точностью, для улучшения структуры комитета. Наконец, мы применили эту предложенную структуру для прогнозирования значений проницаемости из данных каротажа скважин с помощью доступных данных керна. Результаты показывают, что наш метод дает самую низкую ошибку и самый высокий коэффициент корреляции по сравнению с лучшим экспертом и исходной комитетной машиной, а также дает значительную информацию о надежности прогнозов проницаемости.