Cтраница 1
Точки рабочей выборки индексируются в соответствии с положением относительно этой гиперплоскости. [1]
Прогноз значений в точках Xi рабочей выборки получается подстановкой векторов Xi в полученное приближение регрессии. [2]
Программа FOP для каждой точки рабочей выборки просматривает последователь, ность вложенных окрестностей этой точки и для каждого варианта строит с помощью базового алгоритма оптимальную разделяющую плоскость. [3]
С помощью алгоритма SUMR классифицируются точки рабочей выборки. [4]
Подпрограмма SUMR предназначена для классификации точек рабочей выборки с использованием информации о полной ( обучающей и рабочей) выборке. [5]
На рисунке выделены ( заштрихованы) точки рабочей выборки, которые классифицируются гиперплоскостями Г0 и 1 по-разному. [6]
Решение этой частной задачи состоит в том, чтобы так индексировать точки рабочей выборки первым и вторым классом, чтобы расстояние между выпуклыми оболочками множества векторов обучающей и рабочей выборок первого класса и множества векторов обучающей и рабочей выборок второго класса было максимальным. [7]
В первом случае рекомендуется воспользоваться алгоритмом построения линейного решающего правила с учетом положения точек рабочей выборки. [8]
Критерий, оценивающий средний риск, позволяет взвесить эти факторы и выбрать для каждой точки рабочей выборки оптимальную окрестность и соответствующее приближение регрессии. [9]
Требуется с помощью линейного решающего правила F ( x, a) так индексировать точки рабочей выборки, чтобы Минимизировать число ошибок классификации. [10]
Пусть Х [ - некоторая окрестность, содержащая / точек обучающей выборки и ki точек рабочей выборки. [11]
Алгоритм SUMR предназначен для определения с помощью линейных решающих правил значений индикаторной функции в точках рабочей выборки. [12]
Алгоритм SUMKL предназначен для определения с помощью кусочно-линейных решающих правил значений индикаторной функции в точках рабочей выборки. [13]
Далее линейные оценки регрессии в локальных окрестностях используются для прогноза значений выходной величины в точках рабочей выборки. [14]
Рассмотренный алгоритм использует локальное поведение-функции, определяющей классификацию объектов в пространстве описания, вблизи каждой точки рабочей выборки. Даже в тех случаях, когда решающее правило существенно нелинейно, в некоторой окрестности оно приближается к линейному. С ростом окрестности качество линейного приближения падает. С другой стороны, растет часть обучающей и рабочей выборок, попадающая в окрестность. Алгоритм ищет компромисс между этими противоборствующими факторами. [15]