Cтраница 1
Таксонная структура представляет собой последовательность разбиений выборки на непересекающиеся классы - таксоны. На первом уровне вся выборка объединена в один таксон. На каждом следующем уровне один из таксонов предыдущего уровня расщепляется на два. Это расщепление и номер разбиваемого таксона выбираются так, чтобы расстояние между вновь возникающими таксонами было наибольшим. [1]
Методы построения таксонной структуры рассмотрены в приложении к главе. [2]
Программа построения таксонной структуры строит не одно разбиение на таксоны, а целый ряд таких разбиений - уровней. На первом уровне все точки выборки объединены в один таксон. При переходе на очередной уровень один из таксонов предыдущего уровня расслаивается на два. Таким образом, число таксонов растет от уровня к уровню. Далее для каждого уровня строится решающее правило указанного выше вида. С ростом числа таксонов улучшаются условия разделимости, что выражается - в сокращении числа ошибок на материале обучения и увеличении зазора между классами. [3]
При нахождении таксонной структуры также используется полная выборка, причем сразу фиксируется принадлежность каждого элемента рабочей выборки тому или иному таксону. [4]
Методы построения таксонной структуры рассмотрены в § 13 в этой главе. [5]
На полной выборке к определяется таксонная структура. [6]
Меняя константу с, получим требуемую таксонную структуру. [7]
Идея построения кусочно-линейных функций путем использования таксонной структуры множества X обучающей последовательности являются эвристической. [8]
Алгоритмы KLOP и SUMKL, использующие таксонную структуру, реализуются последовательно вызываемыми программами ТАКСОН и FOP. Программа ТАКСОН строит таксонную структуру в признаковом пространстве. Для этого строится ряд уровней разбиения выборки на таксоны. [9]
Другой путь построения нелинейных моделей основан на отыскании таксонной структуры и приближении зависимости линейной функцией в каждом из таксонов. В результате получается кусочно-линейное приближение. Этот путь целесообразен, если есть основания полагать, что распределение значений аргументов многомодально. [10]
Для случая относительно большой выборки имеется кусочно-линейный алгоритм построения таксонной структуры и выбора оптимальной классификации элементов рабочей выборки в каждом таксоне. В отличие от алгоритма, работающего только по обучающей выборке, здесь таксоны строятся по полной выборке, включающей и материал обучения, и рабочую выборку. [11]
При реализации алгоритма KLOP используется рекуррентная процедура выбора оптимального элемента IT таксонной структуры. [12]
Реализуется алгоритм ТАКСОН, который в зависимости от параметра IM задает таксонную структуру векторов обучающей выборки. Информация о номерах таксонов и составляющих их векторах записывается в файл таксон. В цикле по IT выполняются действия, описанные в шт. [13]
При реализации алгоритмов кусочно-линейной аппроксимации восстанавливаемой зависимости на этом этапе программа ТАКСОН строит таксонную структуру пространства входных параметров. Результат записывается на внешний носитель в файл таксоны и служит для дальнейшей работы комплекса. Основной массив данных сохраняется без изменения. В случав построения линейной оценки регрессии с выбором аргументов в базисе собственных векторов ковариационной матрицы обработка данных осуществляется с помощью программы СОВА. Эта программа строит ковариационную матрицу входных параметров, вычисляет ее собственные векторы и собственные числа и определяет координаты входных векторов в новом базисе. Преобразованные данные записываются на внешний носитель в файл данные вместо исходных. Одновременно на тот же внешний носитель записываются координаты собственных векторов. Последняя запись позволяет в дальнейшем - вернуться к представлению оценки регрессии в исходном пространстве параметров. [14]
Параметр 1К ( 4) указывает, используются ли векторы рабочей выборки при построении таксонной структуры. Векторы, для которых MB ( z) 2, присоединяются к ближайшему таксону. [15]