Cтраница 1
Векторы рабочей выборки классифицируются согласно выбранному решающему правилу. [1]
Среди векторов рабочей выборки фиксируются такие век торы xt, которые входят в число информативных. [2]
Окончательная классификация векторов рабочей выборки определяется путем голосования с учетом их к классификаций в различных выбранных окрестностях к рабочих точек. [3]
При проведении индексации векторов рабочей выборки дальнейшее уменьшение числа ошибок классификации с помощью линейных решающих правил может быть достигнуто за счет селекции выборки и отыскания информативного пространства признаков. [4]
Формируется полная выборка векторов: векторы рабочей выборки с индексом со 0 добавляются к обучающей выборке векторов, принадлежащих к первому классу, а векторы с индексом cdj 1 добавляются к обучающей выборке векторов, принадлежащих второму классу. [5]
Выдается на печать окончательная классификация векторов рабочей выборки. В режиме LOKOP ( IKL 6) результат классификации накоплен в массиве NKL. В режиме SUMLOK к 1-му классу относятся те векторы, для которых значение соответствующего элемента массива NOK положительно, а ко 2-му - те, для которых это значение отрицательно. [6]
Заметим, что одни и те же векторы рабочей выборки принадлежат окрестностям различных векторов, а классификация некоторых векторов рабочей выборки, данная в разных строках второго столбца таблицы, может не совпадать. [7]
Описываемый алгоритм предназначен для решения задачи классификации векторов рабочей выборки. Эта задача может решаться двумя - способами: восстановлением индикаторной функции и последующим вычислением ее значений на векторах рабочей выборки, либо непосредственно восстановлением значений индикаторной функции на векторах рабочей выборки. [8]
Параметр 1К ( 4) указывает, используются ли векторы рабочей выборки при построении таксонной структуры. Векторы, для которых MB ( z) 2, присоединяются к ближайшему таксону. [9]
Рассмотрим пример, иллюстрирующий разницу в решении задачи классификации векторов рабочей выборки с помощью решающего правила, минимизирующего средний риск по обучающей последовательности, и с помощью правила, доставляющего минимум суммарному риску. [10]
Здесь же рассмотрим пример, иллюстрирующий разницу в решении задачи классификации векторов рабочей выборки методом минимизации суммарного риска и с помощью решающего правила минимизирующего эмпирический риск на обучающей последовательности. На рис. 20 векторы первого класса обучающей последовательности обозначены крестиками, векторы второго класса - кружочками. Черными точками показаны векторы экзаменационной выборки. [11]
Такая схема решения задачи опирается на полный перебор всех вариантов индексации векторов рабочей выборки. Для очень малых длин рабочей выборки ( 2 - f - 8) этот путь допустим. [12]
Группа векторов обучающей выборки, принадлежащих к 1-му классу, пополняется векторами рабочей выборки, отнесенным ] г при классификации к 1-му классу. Группа векторов обучения из 2-го класса пополняется элементами рабочей выборки, отнесенными ко 2-му классу. [13]
Алгоритм SUMR заканчивает работу, Сообщаются результаты - информация о принадлежности каждого вектора рабочей выборки одному из двух классов. [14]
Здесь 2j ( r) означает, что суммирование ведется лишь по классификациям тех векторов рабочей выборки, которые принадлежат выбранной, окрестности точки хг. [15]