Метода - кластерной анализ
Cтраница 1
Методы кластерного анализа позволяют разбить изучаемую совокупность объектов на группы схожих объектов, называемых кластерами. [1]
Методами кластерного анализа выявлены группы кустов скважин, подверженных определенным типам дефектов. [2]
Эти методы кластерного анализа весьма популярны в психологии. Они известны больше как варианты факторного анализа, обратный факторный анализ или факторизация Q-типа. Работа методов начинается с формирования корреляционной матрицы сходств между объектами. [3]
Наиболее часто методы кластерного анализа используются в социологии, маркетинговых исследованиях, экономике, биологии, медицине, археологии. [4]
При отсутствии обучающих выборок могут быть использованы методы кластерного анализа, позволяющие разбить исследуемую совокупность объектов на группы схожих объектов, называемых кластерами, таким образом, чтобы объекты одного класса находились на близких расстояниях между собой, а объекты разных классов - на относительно отдаленных расстояниях друг от друга. [5]
В модуле Claster Analysis ( Кластерный анализ) реализованы методы кластерного анализа. [6]
Обратимся к наиболее распространенным методам автоматической классификации в нефтепереработке - методам кластерного анализа ( КА), поскольку в этих задачах ограничена возможность получения обучающей выборки. [7]
Так, в системе АВТАНТЕСТ ( см. § 6.1) при образовании мета-понятий, полученных методами кластерного анализа, интерпретация заняла несколько месяцев и не может считаться удовлетворительной. Это связано с тем, что формальные методы иногда выделяют искусственные концепты, в то время как неформальные обычно - практически используемые и потому легко узнаваемые понятия. [8]
 |
Обобщение и детализация понятий.| Пирамиды знаний. [9] |
Так, в системе АВТАНТЕСТ [ Гаврилова, Червинская, 1992 ] при образовании метапонятий, полученных методами кластерного анализа, интерпретация заняла несколько месяцев и не может считаться удовлетворительной. Это связано с тем, что формальные методы иногда выделяют искусственные концепты, в то время как неформальные обычно - практически используемые и потому легко узнаваемые понятия. [10]
Основная часть книги посвящена классическим методам ИИ, широко используемым на практике, но, увы, не являющимся на сегодняшний день наиболее перспективными. Студентам и аспирантам, желающим продвинуться в применении интеллектуальных систем для решения практически ценных задач, следует ознакомиться с целым рядом новых направлений: теорией искусственных нейронных сетей, методами кластерного анализа и многомерного шкалирования, фракталами и вейвлит-анализом. [11]
Методы уменьшения мерности противоположны описанным выше процедурам. Классическими процедурами являются анализ главных компонент и факторный анализ [15]; оба они уменьшают мерность путем формирования линейных комбинаций признаков, соответственно учитывая дисперсии признаков или корреляции между признаками. К задаче объединения признаков с сильной корреляцией применимы и методы кластерного анализа. [12]
Другая задача, которую решал автор разрабатывая эти модели, заключается в расширении набора количественных методов в изучении социальных явлений. Исследователи, разрабатывая количественные методы анализа социальных явлений, с самого начала пытаются учесть специфику этих явлений. Достаточно вспомнить родившиеся в науках о человеке и его деятельности методы многомерного и кластерного анализа, теорию принятия решений, теорию социального измерения, развившуюся теорию измерения физического. [13]
Это агрегированный показатель, определяемый на основе различных методик. Одна из наиболее распространенных методик измерения стилей жизни - психография, использующая методы кластерного анализа, множественной регрессии, анализ R-факторов, канонический анализ и др. В процессе проведенных в разных странах исследований было выявлено много различных стилей жизни. Их разнообразие определяется целями исследований, изучаемыми переменными, методами сбора и обработки информации. Кроме того, с течением времени стили жизни могут меняться. [14]
В настоящее время подготовлены проблемно-ориентированные базы результатов по системам классификации, графическому представлению распределений и взаимосвязей свойств нефти. Эта часть результатов, хранимая на магнитных носителях, представляет собой основу банка статистических моделей / БСмУ свойств нефти, используемых в задачах прикладного характера. Формируются базы результатов по анализу распределений, прогнозированию неизвестных характеристик нефти, классификации ефтей методами кластерного анализа и др. В качестве примера приводим описание одного из модулей базы результатов. [15]
Страницы: 1 2