Cтраница 3
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. [31]
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. [32]
Если восстанавливается индикаторная функция, на таксоны разбиваетоя обучающая выборка. X цринадлежит подмножеству Xit если ближайший к ней вектор обучающей выборки цринадлежит i-му таксону. Векторы рабочей выборки в соответствии с этим правилом приписываются к ближайшему таксону, составленному из векторов обучающей выборки. [33]
Как правило, алгоритмы восстановления значений функции являются комбинаторными. В принципе существует 2 различных вариантов разделения на два класса к векторов рабочей выборки. [34]
Применение первого метода гарантирует классификацию всех рабочих векторов. В случае применения второго метода часть векторов рабочей выборки может остаться неклассифицированной, если эти векторы выделятся в отдельный, не содержащий обучающих векторов, таксон. Однако построение таксонов но полной выборке позволяет учесть дополнительную информацию о геометрии расположения рабочих векторов, и практика показывает, что второй метод дает более точные решения. Здесь в неявном виде реализуется идея селекции векторов рабочей выборки: отказ от классификации некоторых наблюдений для того, чтобы получить более точную классификацию остальных. [35]