Многомерные данные

Cтраница 1

Многомерные данные составляют строки матрицы. [1]

Монография посвящена вопросам статистической обработки многомерных данных, представленных в основном в номинальной шкале измерений. Предлагается определенная система методов и алгоритмов, базирующихся на теоретико-информационных понятиях. Книга рассчитана на специалистов в области анализа многомерных статистических совокупностей, на программистов, разрабатывающих системы обработки данных. [2]

Целью кластерного анализа является выделение в исходных многомерных данных таких однородных подмножеств, чтобы объекты в середине групп были подобны одно другому, а объекты разных групп - неподобны. Под сходством в данном случае понимается близость объектов в многомерном пространстве признаков, и задача сводится к выделению в этом пространстве натуральных сосредоточений объектов ( кластеров), которые и считаются однородными группами. [3]

Имеются и функции, специально предназначенные для обработки многомерных данных. [4]

Методы дисплея, как иногда называют двухмерные проекции многомерных данных, являются хорошими иллюстрациями результатов уже при разработанной классификации. В работе [27] использован так называемый d - дис-плей, который сохраняет некоторую геометрическую структуру данных и усиливает разделение классов, так как координатами точек при двухмерном представлении являются расстояния от центров классов. [5]

Существуют специальные математические методы, рассчитанные на использование многомерных данных, выраженных в шкалах разных типов. Однако более типичной для многомерного анализа является ситуация, когда шкалы однотипны. Чтобы достигнуть этого, либо переходят к переменным, принимающим только два значения: 0 и 1, либо производят так называемую оцифровку номинальных и порядковых величин. [6]

Всякий раз, когда мы имеем дело с большими множествами многомерных данных, задача их обработки упрощается, если удается обнаружить или навязать этим данным некоторую структуру. Поэтому можно предположить, что исходные данные подчиняются закону, который характеризуется определенным числом основных параметров. Минимальное число параметров и0, которые необходимо принять в расчет для объяснения наблюдаемых свойств исходных данных, называют истинной размерностью множества исходных данных или, что то же самое, истинной размерностью процесса, порождающего исходные данные. [7]

Всякий раз, когда мы имеем дело с большими множествами многомерных данных, задача их обработки упрощается, если удается обнаружить или павязать этим данным некоторую структуру. Поэтому можно предположить, что исходные данные подчиняются закону, который характеризуется определенным числом основных параметров. Минимальное число параметров п0, которые необходимо принять в расчет для объяснения наблюдаемых свойств исходных данных, называют истинной размерностью множества исходных данных или, что то же самое, истинной размерностью процесса, порождающего исходные данные. [8]

Самоорганизующиеся карты Кохонена являются мощным нейросетевым средством анализа и визуализации многомерных данных. Карты используются для отображения нелинейных статистических взаимосвязей на легко интерпретируемые ( обычно двумерные) решетки, подчеркивающие топологические и метрические зависимости анализируемых данных. [9]

Статистические методы разграничения геологических объектов - совокупность приемов статистической обработки многомерных данных, приводящая в итоге к разделению изучаемого набора наблюдений на некоторое число статистически однородных, отличающихся друг от друга групп. [10]

Автоассоциативная сеть с узким горлом - аналог правила обучения Ойа.| Слой линейных нейронов. [11]

Единственный нейрон осуществляет предельное сжатие многомерной информации, выделяя лишь одну скалярную характеристику многомерных данных. Каким бы оптимальным ни было сжатие информации редко когда удается полностью охарактеризовать многомерные данные всего одним признаком. [12]

Сложность принятия решения, имеет ли смысл данное разделение, частично вытекает из-за невозможности визуального представления многомерных данных. Сложность усугубляется, когда применяются меры подобия или различия, в которых отсутствуют знакомые свойства расстояния. Одним из способов борьбы с этим является попытка представить точки данных как точки в некотором пространстве меньшей размерности так, чтобы расстояние между точками в пространстве меньшей размерности соответствовало различиям между точками в исходном пространстве. [13]

Этот рисунок взят из работы [16], в которой были систематизированы основные итоги первых опытов применения ФА к обработке многомерных данных в химии. [14]

В первом варианте необходимо обучить нейронную сеть на заданном наборе данных. Сеть построит аппроксимацию многомерных данных, автоматически подбирая веса нейронов. [15]

Страницы: 1 2 3