Содержание
- 2. Содержание Алгоритм Delta-1 Алгоритм Gamma-1 Выбор алгоритмов таксономии. Пример 1. Примеры прикладных задач таксономии: прогнозирование успеваемости;
- 3. Таксономия в λ-пространстве с заданным числом таксонов Цель: распределить по W таксонам N объектов с неоднородными
- 4. Алгоритм DELTA1 Шаг 1. Ищется λ - расстояние между каждой парой объектов. Шаг 2. Строится полный
- 5. ПРИМЕР 2 4 3 1 2 4 3 1 1 0,85 0,5 0,8 0,6 0,9 0,5
- 6. САМОСТОЯТЕЛЬНО Пользуясь DELTA 1, распределить по двум таксонам 5 объектов, каждый из которых обладает двумя разнородными
- 7. САМОСТОЯТЕЛЬНО Пользуясь алгоритмом DELTA 1, распределить по n таксонам 5 объектов, каждый из которых обладает двумя
- 8. Персональные задания 1-9
- 9. Персональные задания 10-18
- 10. САМОСТОЯТЕЛЬНО Изменить алгоритм Delta-1 таким образом, чтобы минимизировать верхнюю границу числа объектов, принадлежащих одному таксону (т.е.
- 11. Парное сравнение алгоритмов таксономии алгоритмом Gamma-1.
- 12. Обозначения и определения Назначение алгоритма Gamma-1 заключается в том, чтобы попарно сравнивать различные алгоритмы таксономии. Для
- 13. Алгоритм Gamma-1 Шаг 1. Генерация матрицы μ1. Шаг 2.. Генерация матрицы μ2. Шаг 3. Определение максимального
- 14. Пример: парное сравнение алгоритмов таксономии Пользуясь алгоритмом Gamma-1, матрицы μ1 и μ2 которого соответственно равны: определить
- 15. ОПРЕДЕЛЕНИЕ ВЕЛИЧИНЫ “F” F = 6/12 = 0.5 Матрица μ3 каждый элемент которой следует умножить на
- 16. Выбор алгоритма таксономии Пусть Si - таксономия m объектов, полученная i-м алгоритмом, Fi,j - нормированное расстояние
- 17. Пример 1: условия Определить, пользуясь Gamma 1, наилучший и наихудший из трех алгоритмов таксономии, матрицы μ1,
- 18. Пример 1: решение Вычисление характеристик каждого i-го алгоритма Fi (i=1,2,3): Μ12= F12 =0,41; M13 = F13=0,667;
- 19. САМОСТОЯТЕЛЬНО Определить наилучшую из четырех таксономий, представленных матрицами μ1, μ2 , μ3 и μ4 на следующих
- 20. Варианты 1 - 7
- 21. Варианты 8 - 14
- 22. Варианты 15 - 21
- 23. Примеры прикладных задач таксономии Прогнозирование успеваемости. Ранжирование студентов.
- 24. Прогнозирование успеваемости – содержательная постановка задачи. Задана матрица, содержащая данные об оценках 3-х студентов по трем
- 25. Решение задачи прогнозирования оценки первого ученика по 3-й дисциплине Исходная матрица Нормированная матрица Расстояния от первого
- 26. Ранжирование студентов по успеваемости - условия Задана матрица М, содержащая данные об оценках 5-х студентов по
- 27. Ранжирование студентов по успеваемости - нормирование Нормированная матрица М1 (шестой студент – эталон): М1 = Студенты
- 28. Ранжирование студентов по успеваемости - упорядочение Расстояния от i-го студента до шестого (0 r(1,6)=0,74868; r(2,6)=0,46669; r(3,6)=0,67;
- 29. САМОСТОЯТЕЛЬНО Ранжировать относительно двоечника учеников, успеваемость которых описывается матрицей М: М = Ученик Дисц.1 Дисц.2 Дисц.3
- 30. САМОСТОЯТЕЛЬНО Определить прогноз оценки первого ученика по третьей дисциплине, полагая, что: Эта оценка неизвестна; Исходные данные
- 32. Скачать презентацию