Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь FAQ Написать работу КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Поняття класифікації, задача класифікації↑ ⇐ ПредыдущаяСтр 5 из 5 Содержание книги
Поиск на нашем сайте
Під терміном класифікація розум розподіл предметів за заг. класами згідно най б. суттєвих ознак, які притаманні предметам даного типу і які відрізняють їх від предметів інших типів. Класиф провод за наступними правилами: 1. в одній класиф. викор. Одна основа; 2. об’єм класу = сумі об’ємів підкласів коли і підкласи пересікаються; 3. поділ на підкласи пр неперервно. Виявлення природного розподілу вихідних спостережень і розбиття на чіткі групи: кластери, таксони. Типізація – сукупність даних і об’єктів розбив. на порівняно велику областей групув. так щоб елементи однієї області знах. один від одного на невеликій відстані; в кластері дані про близькість. Класиф. об’єктів можна пров. за допомогою якісних, кількісних і інших ознак. Викор-ся формальні мат. Методи розбиття на класи є експериментальним метод, при якому розб. на класи проводять спеціалісти з однієї області, використовуючи проф. знання, доск. Кластерний аналіз – це сукупність методів, але розбиття спостер. на однорідні групи. Техніка класиф. викор. в різних областях. Задачі класт. аналізу є 2-х видів: за об’ємом – класиф. відносно невеликих за об’ємом сукупностей; класиф. великих об’ємів багатовимірних спостережень. Задачі класиф. ділять за типом апріорної інф-ції: 1. кількість класів задана; 2. кількість класів невідана і її треба визнач.; 3. кількість класів непотрібна. Дерева – агломеративне та дивизивне Основні поняття кластерного аналізу; застосування Виділяють 3 основні кластерні процедури: 1. ієрархія алгоритмів ідомезивні; 2. паралельна процедура за допомогою ітераційних алгоритмів; 3. послідовні процедури з малою кількістю спостережень. Кластер – накопичення, група елементів, які хар-ся деякою заг. властивістю, методи їх знаходження і є кластер ний аналіз. Таксон – систематизована група б-я категорії, методи їх знаходження назив. чисельною таксономією. Матричний простір – пара (х,d), яка склад-ся з деякої множини елементів простору Хі і відстані d. Функція відстані – однозначна, невідємна, дійсна ф-ція для якої викон-ся аксіоми: 1. d(xu, xs)≥0; 2. d(xu, xs)=0 – максимальна близькість елементів з самим собою, коли xu=xs; 3. d(xu, xs)= d(xs, xu,) – симетрія; 4. d(xu, xs)≤ d(xu, xz)+ d(xz, xs). Міра подібності - однозначна, невідємна, дійсна ф-я Г(xu, xs), яка визначена для б-я xs, якщо виконується аксіома: а). 0≤ r(xu, xs)<1, б-я xu≠xs; б). r(xu, xs)=1, xu=xs; в). r(xu, xs)= r(xs, xu), г). d(xs, xv)>d(xu, xs) =>r(xz, xv)≤ r(xu, xs). Типи відстаней і мір подібностей В ієрархічних схемах групування об’єктів найбільш розповсюдженою формою графічного зображення є дендограма і її двовимірним аналогом дендограф. Одновимірний граф для зображення із заданої множини. Об’єкти розміщені за ієрархічними рівнями так щоб підкреслити їх взаємну подібність на основі вимірювань. 0бєднання елементів групи має зміст в умовах високого ступеня подібності між ними. Компактне групування свідчить про силу зв’язків між об’єктами, компоненти на слабку залежність. Вітки дерева хар-ють ієрархічний порядок об’єктів але не відображають ієрархічну залежність між об’єктами. Дворим. дендограма що описує залежність як в середені так і зовні. Агломеративна кластерна процедура пов’язана з обчисленням міри між всіма парами об’єктів і обєдн. на кожному кроці тієї пари для якої досягається min і max даних ф-й. Кластиризація здійснюється шляхом обєднаня спочатку роз’єднаних к об’єктів. Дивизивна кластерна процедура. пов’язана з обчисленням мір залежності між парами об’єктів і виділенням на кожному кроці тієї пари об’єктів для якої досягається min max даних ф-й. Кластер. здійснюється шляхом розбиття однієї групи об’єктів. Однорідною назив. сукуп. елементів якої формують під дією основних причин і умов а їх закони розподілу мають просту структуру. Неоднорідна- коли її різні елементи формуються під впливом різних причин і умов, або якщо вона представляється у вигляді обєднання деякої кількості однорідних сукупностей з більш простою структурою законів елементів. Оцінювальні індекси кластерного аналізу: а) величина зовнішнього критерію значимості-процент спів падання передбачених експертів з результатами процедур кластрног аналізу; б) в якості внутрішнього критерію значимості допускається кофенетичний коефіцієнт кореляції; в) міра відтворення- спеціальний коефіцієнт кореляції. Коефіцієнт подібності чи відмінності між і-ми спостереженнями діляться на 3 типи: dr (xut,xst)=();коеф. відстані -де r додатне ціле число а m- кількість змінних. Коли r =1- манхетська відстань; r =2- томсономічна. Коефіцієнти асоціативності r(xut,xst)= коеф. асоціативності призначені для оцінювання подібності иіж парами багатовимірних спостережень що описуються деякими значеннями у вигляді війкового коду. В коеф. асоціативності представляються коеф. загальної подібності. S- набув від [0;1] подібність між станами ознак xu,xw; W- вага, що приписана даній ознаці. Коефіцієнт кореляції до добутку стандартних відхилень: r = . Приклади відстаней Наведемо ф-ї відст. і мір.: 1. 2. Зважена Евклідова відстань. 3. - звичайна відстань Махаланобіса 4. Зважена відстань Махаланобіса 5. Хемінгова відстань: .
6.Евристичні міри віддаленості – вони не є метриками через недотримання аксіом. Дискримінант ний аналіз. Методи дискр. аналізу виробл. деякі виріш. правила, що дозв. віднести запропоновані об’єкти до заданих класів. Вирішальні правила можуть бути стр. у вигляді ймов. (метод Баєса); простих функ. класиф. як у лін. дискр. анал. Фішера. Дискримін. ф-цій; у вигляді деяких характеристик; у вигляді ваг і зміщень нейронів. Нехай А1, А2 множина к об’єктів для простоти будемо розглядати два об’єкти причому кожному об’єкту поставимо у відпов. α=(α1, α2, … αn);η=(η1, η2, … ηn); Будемо вважати, що для кожної величини відомі певні параметри Q1=Q2. В більшості випадків під Q1 і Q2 розуміють багат. вибірок об’ємом n1 і n2 відпов. із А елементів xt={ xt1, xt2, …, xtm}; yt={ yt1, yt2, …, ytm} a Є А1, А2. Треба прим. вирішальне правило, яке дозв. віднос. об’єкти. Позначимо результат двовим. спостер. через Z={ zt1, zt2, …, ztm}; вирішальне правило заклечатись в тому, що спостер. Zt віднос. до того, що весь n-вимірний простір, в якому результат представл. буде розд. на 2 області на і R2; причому якщо результат поп. в R1 прийм. рішення про його належ. до А1, а якщо в R2 то до А2. Звичайно не викл. помилки, рішення про належн. об’єкта з А до А1 є помилк. і насправді позн. вартість встрат через С(А1/А2) та С(А2/А1). Припустимо, що ці об’єкти змішані у відпов. співвідн. а Є А2~q2$ a Є A1~q1. Q1+q2=1; як ймов. події яка,що взятий об’єкт буде належ. до А1.
|
||||
Последнее изменение этой страницы: 2016-09-18; просмотров: 364; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 18.227.134.165 (0.008 с.) |