Слайд 4Свойства коэффициента корреляции
![Свойства коэффициента корреляции](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/848729/slide-3.jpg)
Слайд 6Построение уравнения регрессии
![Построение уравнения регрессии](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/848729/slide-5.jpg)
Слайд 7
Чаще всего используются следующие зависимости :
линейная ;
параболическая ;
экспоненциальная .
Оценка параметров осуществляется
![Чаще всего используются следующие зависимости : линейная ; параболическая ; экспоненциальная .](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/848729/slide-6.jpg)
методом наименьших квадратов:
Слайд 8Графическая интерпретация
i = 1, 2, … , n
![Графическая интерпретация i = 1, 2, … , n](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/848729/slide-7.jpg)
Слайд 12Алгоритм кластерного анализа: K-means
Одной из широко используемых методик кластеризации является разделительная
![Алгоритм кластерного анализа: K-means Одной из широко используемых методик кластеризации является разделительная](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/848729/slide-11.jpg)
кластеризация, в соответствии с которой для выборки данных, содержащей n записей, задаётся число кластеров k, которое должно быть сформировано. Затем алгоритм разбивает все объекты выборки на k групп (k К наиболее простым и эффективным алгоритмам кластеризации относится k-means (k-средних). Он состоит из четырёх шагов:
1. Задаётся число кластеров k, которое должно быть сформировано из объектов исходной выборки.
2. Случайным образом выбирается k записей, которые будут служить начальными центрами кластеров.
3. Для каждой записи исходной выборки определяется ближайший к ней центр кластера.
4. Производится вычисление центроидов - центров тяжести кластеров. Это делается путём определения среднего для значений каждого признака всех записей в кластере.
Шаги 3 и 4 повторяются до тех пор, пока не будет выполнено условие в соответствии с некоторым критерием сходимости (чаще всего используется сумма квадратов ошибок между центроидом кластера и всеми вошедшими в него записями).
Остановка алгоритма производится, когда на каждой итерации в каждом кластере остаётся один и тот же набор записей.