Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
Глава 3. ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ ПО КЛАССИФИКАЦИИ ПРИ НАЛИЧИИ ОБУЧАЮЩИХ ВЫБОРОК (ДИСКРИМИНАНТНЫЙ АНАЛИЗ)3.1. Предварительный анализ данныхЭто один из наиболее ответственных этапов дискриминантного анализа, направленный на формирование математической модели данных, которая в свою очередь служит основой для выбора конкретного алгоритма. Редко исследование с применением ДА осуществляется изолированно. Поэтому при предварительном анализе обязательно надо использовать опыт других близких работ, а не полагаться всецело на данную конкретную обучающую выборку. Кроме того, следует различать условия, при которых метод классификации выводится, и условия, при которых он может быть успешно применен. Анализ обычно начинается с общего осмотра данных, проводимого с помощью метода главных компонент [11, 10.5]. Ниже описываются более специфические приемы. 3.1.1. Проверка применимости линейной дискриминантной функции (ЛДФ) В п. 1.1 2 ЛДФ выведена как логарифм отношения правдоподобия в задаче Фишера. Соответствующая математическая модель — два многомерных нормальных распределения с общей ковариационной матрицей. Построим графический тест для проверки этого базового предположения. Но прежде, чем описывать тест, обратим внимание на качественное смысловое различие классов, часто встречающееся в приложениях. Это поможет понять интуитивную идею, лежащую в основе теста. Один из классов обычно соответствует или стабильному состоянию, или устойчивому течению какого-либо процесса. Он относительно однороден. Для него, как правило, Назовем объекты этого класса не-случаями С другой стороны, объекты другого класса — случаи — представляют собой отклонения от равновесия, устойчивости Отклонения могут происходить в разных направлениях Можно ожидать, что разброс вектора X для случаев больше, чем для не-случаев Случаи хуже изучены по сравнению с не-случаями Спроектируем случаи на двумерную плоскость Для этого нормализуем выборочные векторы случаев
где X и S определены как обычно Найдем теперь двумерную плоскость, проходящую через начало координат (центр не-случаев после нормализации), такую, что сумма квадратов расстояний Визуальный анализ расположения проекций случаев на плоскости позволяет ответить на следующие вопросы 1 Возможна ли вообще эффективная классификация с помощью плоскости? 2 Насколько геометрия расположения случаев соответствует гипотезе о равенстве ковариационных матриц? 3 Насколько однородны случаи? Не распадается ли их распределение на отдельные кластеры? 4 Нет ли среди случаев слишком удаленных от плоскости? и т. п. Пример применения предложенного анализа к конкретным данным показан на рис 3 1, а, б Из рисунка видно, что: 1) эффективная классификация (в данном случае речь идет о прогнозе события стать случаем) возможна, 2) распределение случаев имеет разброс больше ожидаемого согласно модели двух нормальных распределений с общей ковариационной матрицей; (см. скан) Рис. 3.1 Геометрическая проверка условий применимости линейного дискриминантного анализа а) проекции случаев на плоскость, б) распределение квадратов расстояний случаев от плоскости, О — два случая в той же точке 3) случаи не распадаются на отдельные кластеры. Совпадение распределения расстояний с распределением 3.1.2. «Главные компоненты» одного из классов как новые информативные координаты.Пусть, как и в предыдущем пункте, один из классов из содержательных соображений может быть выделен в качестве стабильного устойчивого состояния и принадлежащие ему объекты названы не-случаями. Объекты других классов будем называть случаями типа Введем теперь более точные определения. Пусть Положим
Собственные векторы матрицы V. будем называть главными компонентами не-случаев. Для нас принципиально важно, что эти компоненты не зависят от векторов других классов. Если при проверке на обучающей выборке окажется, что векторы 3.1.3. Устойчивые оценки параметров распределений в классах.Когда распределения X в классах можно считать приближенно многомерными нормальными, для оценки средних и ковариационных матриц рекомендуется использовать устойчивые к отклонениям от нормальности оценки, например ЭВ-оценки [11, п. 10.4.6]. При этом наблюдения, получившие аномально низкий вес, должны быть внимательно проэкзаменованы: не вкралась ли в их запись (X, у) ошибка.
Рис. 3.2. Отклонения квадрата длины проекции вектора на I первых главных компонент от ожидаемого значения при полностью случайной ориентации вектора ЭВ-оценки помогают эффективно определять параметры классов при возможных ошибках в отнесении наблюдений к классам. 3.1.4. Проверка гипотез о простой структуре.В § 2.3 показано, что информация о простой структуре ковариационной матрицы S дает возможность существенно улучшить результаты классификации. Поэтому всякий раз перед применением ЛДФ следует проверить, имеет ли ковариационная матрица 2 древообразную структуру зависимостей [12, 4.2-4.3]. Для этого с помощью алгоритма Крускала оценивается структура зависимостей, а далее с учетом структуры строится
где суммирование производится по всем объектам класса, должна иметь асимптотически при
|
1 |
Оглавление
|