Решающие правила

Cтраница 2

Будем также рассматривать решающие правила А ( с), введенные при описании модели с разделяющими поверхностями. Такие правила называются пороговыми. [16]

В [2] построены последовательные решающие правила на основе одномерной статистики L в задаче о различении многих равноправных гипотез и в задаче о различении двух сложных гипотез. [17]

Здесь также возможны минимаксные решающие правила х ( z) - байесовские или [ г-допустимые. [18]

По ПМА1 были получены решающие правила, реализующие полное разделение заданных подмножеств. С целью проверки эффективности решающих правил была задана тестовая последовательность из 23 историй болезни, не включенных в ОП. Результаты классификации согласно выражению ( 3) подтвердились полностью. [19]

Все получаемые таким образом решающие правила являются оптимальными и должны быть эквивалентны. [20]

Им установлено, что линейные решающие правила оптимальны или близки к оптимальным не только в условиях многомерных нормальных распределений изучаемых совокупностей, но и при весьма более широких условиях. Оказалось, что линейные решающие правила являются оптимальными, если изучаемые распределения являются унимодальными и их плотности равномерно убывают с удалением от средних значений. Этот результат в значительной степени расширяет область применения линейных решающих правил, которые отличаются значительной простотой построения. [21]

В настоящем добавлении мы рассмотрим кусочно-постоянные решающие правила, которые каждый элемент фиксированного разбиения пространства признаков целиком приписывают к одному из распознаваемых классов. [22]

Для многих задач теории расписания очень простые решающие правила могут быть получены непосредственно. Рассмотрим, например, так называемую задачу одного станка. [23]

Во второй части книги были рассмотрены кусочно-линейные решающие правила. Эти правила основаны на построении в каждом элементе фиксированного разбиения пространства признаков линейной дискриминантной поверхности. [24]

Циклическая структура процедуры численной оптимизации характеристик проекта. [25]

Большинство эвристических поисковых стратегий представляют собой довольно очевидные логические решающие правила, выведенные путем обобщения реального или умозрительного опыта обитания в трехмерном пространстве. Например, представим себе, что ночь застала нас врасплох и нам предстоит без фонарика двигаться по пересеченной местности, например, взобраться на вершину пологого холма. Ясно, что взяв в руки палку и ощупывая ею ближайшее окружение, мы получим требуемую информацию о локальном рельефе и будем двигаться в том направлении, в котором местность повышается, но не наоборот. Правильный выбор направления движения и величины шага гарантирует нам быстрый успех, если, конечно, поверхность холма гладкая, а не ухабистая. [26]

Наличие описаний классов в принципе позволяет определить решающие правила ( решающие границы), использование которых обеспечивает минимизацию ошибок при распознавании неизвестных объектов. [27]

В этом случае говорят, что определяются решающие правила нулевого порядка. [28]

При применении метода МИЛС ЛПР должен быстро строить решающие правила на каждом уровне иерархии и пересматривать эти правила, выбирая наилучший вариант политики при ограниченных ресурсах. [29]

В то время, как деревья решений и решающие правила имеют ограниченное представление, в пропозициональной логике, реляционное обучение ( известное также под названием индуктивное логическое программирование) использует более гибкие средства языка логики первого порядка. В подобных системах можно легко обнаружить такие формулы, как X Y. Многие научные исследования, направленные на поиск методов оценки модели реляционного обучения, являются логическими по происхождению. [30]

Страницы: 1 2 3 4