Cтраница 3
Хотя идея взвешивания и проста, ее практическое применение затруднительно. Уильяме описывает пять видов взвешивания, из которых чаще всего использует выбор весов априори. Снит и Сокэл ( 1973) решительно возражают против априорного взвешивания и считают, что наиболее подходящий способ измерения сходства состоит в присвоении всем переменным равных весов. Однако необходимо учитывать, что Снит и Сокэл рассматривают кластеризацию как чисто эмпирический подход к созданию классификаций. Во многих случаях имеет смысл взвешивать некоторые переменные априори, если для этого есть хорошее теоретическое обоснование и процедура, позволяющая осуществить взвешивание. Поскольку вопрос взвешивания еще не стал предметом обсуждения в общественных науках, исследователи, пользующиеся кластерными методами, должны знать о существовании разногласий. [31]
Встретив два ребра с одинаковым весом, выбирайте добавляемое ребро случайным образом. Сгенерируйте для графа 10 минимальных деревьев и найдите среди них попарно различные. Поскольку выбор весов производится случайным образом, при наличии различных минимальных остовных деревьев они должны обнаружиться. [32]
Конечно, числами оперировать гораздо легче, чем качественными оценками. Недаром математики обычно рвутся оцифровать качественные факторы и веса. Но при этом, как мы знаем из теории измерений, в окончательные выводы может быть внесен субъективизм, связанный с выбором способа оцифровки качественных оценок и весов. Методы эколого-экономического анализа, в котором, в частности, даны рекомендации по снижению субъективизма в выборе весов факторов в единой суммарной оценке. [33]
Способ отыскания нужных весов а-элементов с помощью тренировочной: последовательности называется алгоритмом обучения опознающей системы. Неразумность требования о запоминании всей тренировочной последовательности опознающей системой приводит к естественному понятию рекуррентного алгоритма обучения [2], при котором изменение весов а-элементов производится лишь на основании информации об ооразе, предъявленном системе в данный момент. С математической точки зрения задача об отыскании нужных весов а-элементов сводится обычно к задаче об отыскании решения системы линейных неравенств. Существует большое число рекуррентных алгоритмов, решающих последнюю задачу. При моделировании конкретной опознающей системы сразу возникает множество вопросов, на которые едва ли можно ответить заранее. Какие и сколько нужно выбрать а-элементов, чтобы опознающая система в принципе могла обучиться. Если последнее условие не соблюсти, то задача об обучении может вообще потерять смысл. Сколько времени требуется на обучение. Этот вопрос зависит как от качества выбранных а-элементов, так и от используемого алгоритма обучения. Может оказаться, что обучение невозможно произвести за разумное время. Наконец, рекуррентные алгоритмы связаны с выбором начальных весов а-элементов. Как зависит время и результат обучения от этого выбора. Естественно, эти вопросы далеко не равнозначны и ответ на них зависит от многих трудноучитываемых факторов. [34]