Cтраница 3
С помощью найденного правила F ( х, а) классифицируются элементы рабочей выборки. [31]
Формируется массив М, характеризующий распределение векторов по классам в обучающей и рабочей выборке. [32]
Алгоритм SUMR заканчивает работу, Сообщаются результаты - информация о принадлежности каждого вектора рабочей выборки одному из двух классов. [33]
На множестве я, состоящем из / элементов обучающей последовательности и из k элементов рабочей выборки, задается таксонная структура. [34]
В первом случае рекомендуется воспользоваться алгоритмом построения линейного решающего правила с учетом положения точек рабочей выборки. [35]
В дальнейшем нам понадобится равномерная по Fix, а) оценка частоты ошибок на рабочей выборке. [36]
При нахождении таксонной структуры также используется полная выборка, причем сразу фиксируется принадлежность каждого элемента рабочей выборки тому или иному таксону. [37]
Критерий, оценивающий средний риск, позволяет взвесить эти факторы и выбрать для каждой точки рабочей выборки оптимальную окрестность и соответствующее приближение регрессии. [38]
Далее линейные оценки регрессии в локальных окрестностях используются для прогноза значений выходной величины в точках рабочей выборки. [39]
Требуется с помощью линейного решающего правила F ( x, a) так индексировать точки рабочей выборки, чтобы Минимизировать число ошибок классификации. [40]
Пусть Х [ - некоторая окрестность, содержащая / точек обучающей выборки и ki точек рабочей выборки. [41]
Здесь 2j ( r) означает, что суммирование ведется лишь по классификациям тех векторов рабочей выборки, которые принадлежат выбранной, окрестности точки хг. [42]
Алгоритм SUMR предназначен для определения с помощью линейных решающих правил значений индикаторной функции в точках рабочей выборки. [43]
Алгоритм SUMKL предназначен для определения с помощью кусочно-линейных решающих правил значений индикаторной функции в точках рабочей выборки. [44]
Для алгоритма ЛОР в массиве YPMIN накапливаются средние значения построенных оценок регрессии на тех векторах рабочей выборки, которые принадлежат оптимальным окрестностям, полученным в блоке МНК. [45]