Cтраница 2
В табл. 7.12 указаны результаты применения программы отбора признаков к совокупностям данных, сведения о которых были приведены в табл. 7.11. Программа отбора признаков пытается определить, какие дескрипторы молекулярной структуры важны при поиске решения конкретной химической задачи. Делается это следующим образом. Для данного масс-спектрометрического пика и исследуемого порога интенсивности независимо обучают два весовых вектора с разными исходными значениями. Затем в процессе отбора признаков исключаются те дескрипторы, которые ничего или почти ничего не дают для решения задачи. Осуществляется это путем сравнения знаков компонент двух весовых векторов. При этом сохраняют только такие дескрипторы, для которых компоненты обоих весовых векторов имеют одинаковые знаки. Следовательно, данная процедура приводит к сокращению размерности двух сохраняемых весовых векторов. Отбор признаков продолжают до тех пор, пока не останется малозначащих дескрипторов. [16]
Например, присутствие в нормах некоторых стран запретов на применение тестов при приеме на работу вынуждает сотрудников служб управления персоналом быть очень изобретательными в проектировании программ отбора и ориентации персонала. [17]
Отбор проб почв, предусматривающий получение характерного для контролируемого объекта ( района) статистически усредненного образца, в принципе не представляет сложной задачи и редко является специфичным. Программу отбора составляют в зависимости от целей исследования. Ряд особых требований необходимо соблюдать при отборе проб почвы на территории промышленных предприятий. [18]
Отбор проб почв, предусматривающий получение характерного для контролируемого объекта ( района) статистически усредненного образца, в принципе не представляет сложной задачи и редко является специфичным. Программу отбора составляют в зависимости от целей исследования. При эчом представительность пробоотбора определяется в основном правил ностыо выбора точек отбора и вида проб. Ряд особых требований необходимо соблюдать при отборе проб почвы на территории промышленных предприятий. [19]
Известно, что энергозатраты для закачки 1 м3 воды в пласт эквивалентны сжиганию 7 кг нефти, поэтому разумное ограничение закачки позволяет существенно сократить энергозатраты на добычу нефти. Кроме того, применение заводнения требует периодического анализа и быстрого внесения изменений в программу отбора нефти и закачки воды с точки зрения снижения ее обводненности, в результате чего характеристики добывающих скважин все время изменяются. Управление скважинами, установками, оптимальное использование необходимого оборудования, обработка призабойной зоны ( гидроразрывов) требует поступления определенной информации для принятия правильных решений. Оперативное управление обслуживает такие объекты, как: контрольные, добывающие скважины; обеспечивает контроль за закачкой воды; системы аварийной сигнализации; возможность оперативной реакции на сигналы; выбор времени устранения неполадок для достижения максимальной добычи нефти. [20]
В шестой колонке представлена прогнозирующая способность двух классификаторов образов, а в седьмой - средняя прогнозирующая способность для этих двух случаев. В восьмой колонке указано число образов из 200 объектов контрольной выборки, которые остаются не классифицированными, поскольку соответствующие скалярные произведения попадают в мертвую зону. В последней колонке приведены данные о числе признаков распознаваемых образов, исключенных после обучения по программе отбора признаков. [21]
Такой значительный выигрыш в сходимости свидетельствует о том, что отобранные перекрестные члены сильно коррелировали с присутствием или отсутствием кислорода в составе соединения. В случае обучающих выборок Б и В прогнозирующая способность очень мало изменялась при введении перекрестных членов, а для выборки А она немного снижалась. Анализ данных, приведенных в восьмой колонке, показывает, что классификаторы образов при введении перекрестных членов дают меньше отказов, чем при распознавании только по линейным признакам. Данные, представленные в последней колонке, указывают на то, что программа отбора признаков исключает во всех случаях введения перекрестных членов больше линейных дескрипторов, чем при обучении только на линейных членах. [22]
Во второй колонке приведены данные о динамическом диапазоне после соответствующего преобразования. В четвертой колонке приведены данные о прогнозирующей способности двух классификаторов образов, а в пятой - средние значения этой способности на рассматриваемом первом этапе. Наилучшие результаты по прогнозирующей способности на первом этапе обеспечивает логарифмическое преобразование. В шестой колонке представлены данные о наличии неясных положений пг / е, обнаруженных на этом первом этапе. Чем меньше ширина динамического диапазона, тем меньше неясных положений гп / е выявляет классификатор. В седьмой колонке приведены данные о числе положений т / е, оставшихся после отбрасывания всех неясных положений. В последней колонке приведены данные о прогнозирующей способности каждого классификатора, усредненные по всем этапам программы отбора признаков. [23]