Основы теории принятия решений. Лекция 3

Содержание

Слайд 2

Содержание

Алгоритм Delta-1
Алгоритм Gamma-1
Выбор алгоритмов таксономии.
Пример 1.
Примеры прикладных задач таксономии:
прогнозирование успеваемости;
ранжирование

Содержание Алгоритм Delta-1 Алгоритм Gamma-1 Выбор алгоритмов таксономии. Пример 1. Примеры прикладных
объектов.

Слайд 3

Таксономия в λ-пространстве с заданным числом таксонов

Цель: распределить по W таксонам N

Таксономия в λ-пространстве с заданным числом таксонов Цель: распределить по W таксонам
объектов с неоднородными характеристиками.
Реализация: алгоритм Delta-1.
Отличие от алгоритма Forel-2: неоднородность характеристик объектов.

Слайд 4

Алгоритм DELTA1

Шаг 1. Ищется λ - расстояние между каждой парой объектов.
Шаг 2.

Алгоритм DELTA1 Шаг 1. Ищется λ - расстояние между каждой парой объектов.
Строится полный взвешенный неориентированный граф G(X,U), вершины
которого отвечают объектам, а каждого рёбра (p,q) равен расстоянию между Xp и Xq.
Шаг 3. Алгоритмом Прима ищется минимальное связывающее подмножество рёбер, остальные рёбра удаляются.
Шаг 4. Полученный граф обозначить G(X,U0).
Шаг 5. i=1
Шаг 6. Выбор ребра (p,q) с максимальным весом.
Шаг 7. Ребро (p,q) отбрасывается: U0 = U0\(p,q).
Шаг 8. Если i =W, то перейти к шагу 10, нет - к шагу 9.
Шаг 9. i=i+1, перейти к шагу 6.
Шаг 10. Конец алгоритма.

Слайд 5

ПРИМЕР

2

4

3

1

2

4

3

1

1
0,85
0,5 0,8
0,6
0,9
0,5 0,6 0,8

2

1

4

3

2

3

4

1

2 таксона
3 таксона

ПРИМЕР 2 4 3 1 2 4 3 1 1 0,85 0,5

Слайд 6

САМОСТОЯТЕЛЬНО

Пользуясь DELTA 1, распределить по двум таксонам 5 объектов, каждый из которых

САМОСТОЯТЕЛЬНО Пользуясь DELTA 1, распределить по двум таксонам 5 объектов, каждый из
обладает двумя разнородными характеристиками, заданными таблицей:

Слайд 7

САМОСТОЯТЕЛЬНО

Пользуясь алгоритмом DELTA 1, распределить по n таксонам 5 объектов, каждый из

САМОСТОЯТЕЛЬНО Пользуясь алгоритмом DELTA 1, распределить по n таксонам 5 объектов, каждый
которых обладает двумя разнородными характеристиками, заданными на следующих двух слайдах

Слайд 8

Персональные задания 1-9

Персональные задания 1-9

Слайд 9

Персональные задания 10-18

Персональные задания 10-18

Слайд 10

САМОСТОЯТЕЛЬНО

Изменить алгоритм Delta-1 таким образом, чтобы минимизировать верхнюю границу числа объектов, принадлежащих

САМОСТОЯТЕЛЬНО Изменить алгоритм Delta-1 таким образом, чтобы минимизировать верхнюю границу числа объектов,
одному таксону (т.е. сделать распределение объектов между таксонами равномерным).
Пользуясь приведенными выше персональными заданиями решить эту задачу при условии, что число таксонов n=2.

Слайд 11

Парное сравнение алгоритмов таксономии алгоритмом Gamma-1.

Парное сравнение алгоритмов таксономии алгоритмом Gamma-1.

Слайд 12

Обозначения и определения

Назначение алгоритма Gamma-1 заключается в том, чтобы попарно сравнивать различные

Обозначения и определения Назначение алгоритма Gamma-1 заключается в том, чтобы попарно сравнивать
алгоритмы таксономии. Для формального описания этого подхода далее используются следующие обозначения:
Si - таксономия, полученная i -м алгоритмом; «p» и «q»,- объекты;
ri(p,q) - расстояние между «p» и «q», полученное i-м алгоритмом:
(Очевидно, что ∀ p, ri(p,p)=0).
Величины ri(p,q) образуют матрицу μi ( mxm матрица). ri(p,q) =0, если p и q принадлежат одному таксону и ri(p,q) =1, p и q принадлежат разным таксонам.

Слайд 13

Алгоритм Gamma-1

Шаг 1. Генерация матрицы μ1.
Шаг 2.. Генерация матрицы μ2.
Шаг 3. Определение

Алгоритм Gamma-1 Шаг 1. Генерация матрицы μ1. Шаг 2.. Генерация матрицы μ2.
максимального числа несовпадающих элементов β = m(m-1).
Шаг 4. Генерация новой матрицы μ3, каждый элемент которой r3(p,q) равен
r3(p,q) = |r1(p,q)-r2(p,q) |/ β.
Шаг 5. Вычисление критерия F, равного сумме всех r3(p,q) и представляющего собой нормированное расстояние Хемминга между μ1 и μ2.
Шаг 6. Конец алгоритма.

Слайд 14

Пример: парное сравнение алгоритмов таксономии

Пользуясь алгоритмом Gamma-1, матрицы μ1 и μ2 которого

Пример: парное сравнение алгоритмов таксономии Пользуясь алгоритмом Gamma-1, матрицы μ1 и μ2
соответственно равны:
определить величину F.

Слайд 15

ОПРЕДЕЛЕНИЕ ВЕЛИЧИНЫ “F”

F = 6/12 = 0.5

Матрица μ3 каждый элемент которой следует
умножить

ОПРЕДЕЛЕНИЕ ВЕЛИЧИНЫ “F” F = 6/12 = 0.5 Матрица μ3 каждый элемент
на 1/[4(4-1)] = 1/12.

Слайд 16

Выбор алгоритма таксономии

Пусть Si - таксономия m объектов, полученная i-м алгоритмом,

Выбор алгоритма таксономии Пусть Si - таксономия m объектов, полученная i-м алгоритмом,
Fi,j - нормированное расстояние Хемминга между i-м и j-м алгоритмами таксономии, полученное алгоритмом Gamma 1. Тогда характеристикой каждого i-го алгоритма Fi является сумма:
Лучшим является q-й алгоритм, для которого справедливо:

Слайд 17

Пример 1: условия

Определить, пользуясь Gamma 1, наилучший и наихудший из трех алгоритмов

Пример 1: условия Определить, пользуясь Gamma 1, наилучший и наихудший из трех
таксономии, матрицы μ1, μ2 и μ3 которых соответственно равны:
μ1= μ2= μ3=

Слайд 18

Пример 1: решение

Вычисление характеристик каждого i-го алгоритма Fi (i=1,2,3):
Μ12= F12 =0,41;

Пример 1: решение Вычисление характеристик каждого i-го алгоритма Fi (i=1,2,3): Μ12= F12
M13 = F13=0,667;
M23= F23=0,667. F1= F12 +F13 =1,077;
F2= F12 +F23=1,077;
F3= F13 +F23=1,334;
Лучшие алгоритмы- первый и второй, худший – третий.

Слайд 19

САМОСТОЯТЕЛЬНО

Определить наилучшую из четырех таксономий, представленных матрицами μ1, μ2 , μ3 и

САМОСТОЯТЕЛЬНО Определить наилучшую из четырех таксономий, представленных матрицами μ1, μ2 , μ3
μ4 на следующих трех слайдах. Номера вариантов указаны в правом столбце матрицы персональных данных.

Слайд 20

Варианты 1 - 7

Варианты 1 - 7

Слайд 21

Варианты 8 - 14

Варианты 8 - 14

Слайд 22

Варианты 15 - 21

Варианты 15 - 21

Слайд 23

Примеры прикладных задач таксономии

Прогнозирование успеваемости.
Ранжирование студентов.

Примеры прикладных задач таксономии Прогнозирование успеваемости. Ранжирование студентов.

Слайд 24

Прогнозирование успеваемости – содержательная постановка задачи.

Задана матрица, содержащая данные об оценках 3-х

Прогнозирование успеваемости – содержательная постановка задачи. Задана матрица, содержащая данные об оценках
студентов по трем дисциплинам и одного – по первым двум. Требуется для последнего студента найти аналога среди первых двух, чтобы спрогнозировать его успеваемость по третьей дисциплине.

Слайд 25

Решение задачи прогнозирования оценки первого ученика по 3-й дисциплине

Исходная матрица Нормированная матрица
Расстояния

Решение задачи прогнозирования оценки первого ученика по 3-й дисциплине Исходная матрица Нормированная
от первого ученика до остальных: r(1,2)=0,7; r(1,3)=0,5; r(1,4)=0,5. Прогнозируемая оценка: 3,5. Выбранные аналоги – третий и четвертый студенты.

№ Дисциплины

№ Дисциплины

Слайд 26

Ранжирование студентов по успеваемости - условия

Задана матрица М, содержащая данные об оценках

Ранжирование студентов по успеваемости - условия Задана матрица М, содержащая данные об
5-х студентов по трем дисциплинам. Требуется ранжировать их относительно отличника.
М =
Предложите a priori Вашу версию ранжирования.

№ Дисц.1 Дисц.2 Дисц.3

Слайд 27

Ранжирование студентов по успеваемости - нормирование

Нормированная матрица М1 (шестой студент – эталон):
М1

Ранжирование студентов по успеваемости - нормирование Нормированная матрица М1 (шестой студент –
=

Студенты Дисциплины

Слайд 28

Ранжирование студентов по успеваемости - упорядочение

Расстояния от i-го студента до шестого (0r(1,6)=0,74868;
r(2,6)=0,46669;
r(3,6)=0,67;
r(4,6)=0,5715;
r(5,6)=1.
Ранжирование

Ранжирование студентов по успеваемости - упорядочение Расстояния от i-го студента до шестого
студентов:
π = {2, 4, 3, 1, 5}

Слайд 29

САМОСТОЯТЕЛЬНО

Ранжировать относительно двоечника учеников, успеваемость которых описывается матрицей М:
М =

Ученик Дисц.1 Дисц.2

САМОСТОЯТЕЛЬНО Ранжировать относительно двоечника учеников, успеваемость которых описывается матрицей М: М = Ученик Дисц.1 Дисц.2 Дисц.3
Дисц.3

Слайд 30

САМОСТОЯТЕЛЬНО

Определить прогноз оценки первого ученика по третьей дисциплине, полагая, что:
Эта оценка неизвестна;
Исходные

САМОСТОЯТЕЛЬНО Определить прогноз оценки первого ученика по третьей дисциплине, полагая, что: Эта
данные приведены в матрице М на предыдущем слайде.
Имя файла: Основы-теории-принятия-решений.-Лекция-3.pptx
Количество просмотров: 34
Количество скачиваний: 0