Cтраница 1
Точки рабочей выборки индексируются в соответствии с положением относительно этой гиперплоскости. [1]
Векторы рабочей выборки классифицируются согласно выбранному решающему правилу. [2]
Среди векторов рабочей выборки фиксируются такие век торы xt, которые входят в число информативных. [3]
Селекция элементов рабочей выборки позволяет за счет отказа от классификации некоторых элементов увеличить общее число правильно классифицируемых векторов. [4]
Окончательная классификация векторов рабочей выборки определяется путем голосования с учетом их к классификаций в различных выбранных окрестностях к рабочих точек. [5]
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. [6]
Прогноз значений в точках Xi рабочей выборки получается подстановкой векторов Xi в полученное приближение регрессии. [7]
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. [8]
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. [9]
Однако число векторов, исключенных из рабочей выборки для разных задач разное. [10]
С помощью алгоритма SUMR классифицируются точки рабочей выборки. [11]
Подпрограмма SUMR предназначена для классификации точек рабочей выборки с использованием информации о полной ( обучающей и рабочей) выборке. [12]
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. [13]
Получим теперь равномерную оценку риска на рабочей выборке. [14]
Все алгоритмы рассматриваемой группы предназначены для классификации рабочей выборки. [15]