Cтраница 2
На рисунке выделены ( заштрихованы) точки рабочей выборки, которые классифицируются гиперплоскостями Г0 и 1 по-разному. [16]
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. [17]
Заметим, что одни и те же векторы рабочей выборки принадлежат окрестностям различных векторов, а классификация некоторых векторов рабочей выборки, данная в разных строках второго столбца таблицы, может не совпадать. [18]
В выражении (10.59) суммирование ведется по тем векторам х рабочей выборки, которые принадлежат оптимальной окрестности; у - истинные ( но неизвестные нам) значения функциональной зависимости в точках рабочей выборки, F ( xi9 a) - вычисленные значения. [19]
Прочерк в столбце таблицы означает, что соответствующий вектор рабочей выборки не принадлежит окрестности, для которой проведена индексация. [20]
В выражении (5.36) суммирование ведется по тем векторам х рабочей выборки, которые принадлежат оптимальной окрестности; yt - истинные ( но неизвестные нам) значения функциональной зависимости в точках рабочей выборки, Fixt, а) - вычис-ленные значения. [21]
Параметр 1К ( 4) указывает, используются ли векторы рабочей выборки при построении таксонной структуры. Векторы, для которых MB ( z) 2, присоединяются к ближайшему таксону. [22]
Рассмотрим пример, иллюстрирующий разницу в решении задачи классификации векторов рабочей выборки с помощью решающего правила, минимизирующего средний риск по обучающей последовательности, и с помощью правила, доставляющего минимум суммарному риску. [23]
С помощью блока FORM AS выделяется к векторов, принадлежащих рабочей выборке. [24]
В группе информативных векторов помечаются те векторы, которые принадлежат рабочей выборке. [25]
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. [26]
Такая схема решения задачи опирается на полный перебор всех вариантов индексации векторов рабочей выборки. Для очень малых длин рабочей выборки ( 2 - f - 8) этот путь допустим. [27]
Здесь же рассмотрим пример, иллюстрирующий разницу в решении задачи классификации векторов рабочей выборки методом минимизации суммарного риска и с помощью решающего правила минимизирующего эмпирический риск на обучающей последовательности. На рис. 20 векторы первого класса обучающей последовательности обозначены крестиками, векторы второго класса - кружочками. Черными точками показаны векторы экзаменационной выборки. [28]
С помощью найденного правила F ( x, a8) классифицируются элементы рабочей выборки. [29]
Группа векторов обучающей выборки, принадлежащих к 1-му классу, пополняется векторами рабочей выборки, отнесенным ] г при классификации к 1-му классу. Группа векторов обучения из 2-го класса пополняется элементами рабочей выборки, отнесенными ко 2-му классу. [30]