Аппроксимация дискриминантной функции Андерсона в заданной точке пространства признаков двух классов по обучающей выборке с учителем позволяет оценивать апостериорные вероятности классов. Эти вероятности являются исчерпывающими данными для решения задачи классификации в машинном обучении при субъективно задаваемых стоимостях ошибок и критериях классификации. Обучающая выборка с учителем преобразуется в выборку регрессионного анализа заменой номеров (меток) классов соответствующими разностями стоимостей ошибок. Получающиеся оценки апостериорных вероятностей классов не зависят от выбора стоимостей ошибок классификации, используемых для определения дискриминантной функции. Для аппроксимации дискриминантной функции в точке по обучающей выборке с учителем не требуется задания функции аппроксимации сложнее линейной. Кроме непараметрической модели, использующей обучающую выборку для каждой точки, предложены две параметрические: аппроксимация в окрестности нулевых значений дискриминантной функции и серия аппроксимаций при заданных апостериорных вероятностях на границе между классами. Апостериорные вероятности в заданной точке находятся при этом методом интер-экстраполяции или методом сглаживания. Приведены примеры.

С использованием "пассивного эксперимента" и метода квазирекуррентных точек на секущей плоскости Пуанкаре оценено качество управленческо-организационной активности в процессе подстройки социально-экономической системы региона к реалиям внешнего мира. Выявлен линейный рост удельного значения регионального ВВП в зависимости от "жесткости" управления ресурсами, располагаемыми администрацией региона.

Предложен алгоритм оценки значимости различий в задаче управления дизайном медико- биологического исследования в условиях эффекта множественных сравнений. На примере задачи сравнения данных, поступающих с парных каналов электроэнцефалографа, описано применение алгоритма.

В данной работе мы рассматриваем возможность использования различных мер близости для кластеризации сетей с атрибутами с использованием спектрального алгоритма кластеризации. Атрибуты используются для модификации весов ребер графа: за вес ребра берется линейная комбинация оригинального веса и коэффициента сходства атрибутов вершин, соединенных данным ребром. Затем матрица смежности с модифицированными весами используется для вычисления мер близости. В качестве коэффициента сходства атрибутов в работе используются Matching Coefficient, Cosine Similarity, Extended Jaccard Similarity, Manhattan Similarity и Euclidean Similarity. Качество кластеризация измеряется с помощью метрики Adjusted Rand Index.