Задачи классификации, регрессии, поиска ассоциативных правил, кластеризации

Задача классифика́ции — формализованная задача, в которой имеется множество объектов (ситуаций), разделённых некоторым образом на классы. Задано конечное множество объектов, для которых известно, к каким классам они относятся. Это множество называется выборкой. Классовая принадлежность остальных объектов не известна. Требуется построить алгоритм, способный классифицировать (см. ниже) произвольный объект из исходного множества.

Регрессио́нный (линейный) анализ — статистический метод исследования влияния одной или нескольких независимых переменных на зависимую переменную . Независимые переменные иначе называют регрессорами или предикторами, а зависимые переменные — критериальными. Терминология зависимых и независимых переменных отражает лишь математическую зависимость переменных

Цели регрессионного анализа Определение степени детерминированности вариации критериальной (зависимой) переменной предикторами (независимыми переменными) 1. Предсказание значения зависимой переменной с помощью независимой(-ых) 2.Определение вклада отдельных независимых переменных в вариацию зависимой 3.Регрессионный анализ нельзя использовать для определения наличия связи между переменными, поскольку наличие такой связи и есть предпосылка для применения анализа. ЗАДАЧИ ПОИСКА АССОЦИАТИВНЫХ ПРАВИл--определения и обозначения -прикладные задачи -связь с логическими закономерностями. Кластерный анализ — задача разбиения заданной выборки объектов (ситуаций) на подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались. Задача кластеризации относится к статистической обработке. Кластерный анализ выполняет следующие основные задачи: 1)Разработка типологии или классификации. 2)Исследование полезных концептуальных схем группирования объектов. 3)Порождение гипотез на основе исследования данных 4) Проверка гипотез или исследования для определения, действительно ли типы (группы), выделенные тем или иным способом, присутствуют в имеющихся данных. Независимо от предмета изучения применение кластерного анализа предполагает следующие этапы: 1. Отбор выборки для кластеризации. Подразумевается, что имеет смысл кластеризовать только количественные данные. 2.Определение множества переменных, по которым будут оцениваться объекты в выборке, то есть признакового пространства 3.Вычисление значений той или иной меры сходства (или различия) между объектами. 4. Применение метода кластерного анализа для создания групп сходных объектов. 5.Проверка достоверности результатов кластерного решения. Кластерный анализ предъявляет следующие требования к данным 1. показатели не должны коррелировать между собой; 2.показатели не должны противоречить теории измерений; 3.распределение показателей должно быть близко к нормальному; 4.показатели должны отвечать требованию «устойчивости», под которой понимается отсутствие влияния на их значения случайных факторов; 5.выборка должна быть однородна, не содержать «выбросов».

12)Частные случаи распределенных систем. Вычислительные сети - частный случай распределенных систем.
Компьютерные сети, как отмечалось в самом начале, относятся к распределенным вычислительным системам. Поскольку основным признаком распределенной вычислительной системы является наличие нескольких центров обработки данных, то наряду с компьютерными сетями к распределенным системам относят также мультипроцессорные компьютеры и многомашинные вычислительные комплексы.

е. Показано, что для параллельной системы, которую можно рассмат-

ривать как частный случай распределенной системы постоянного состава и содержащей

только однородные компоненты, предложенная модель совпадает с традиционной моделью

производительности параллельной системы.

С одной стороны, сети передачи данных представляют собой частный случай распределенных вычислительных систем, в которых группа компьютеров согласованно выполняет набор взаимосвязанных задач, обмениваясь данными в автоматическом режиме.