ВЫВОДЫ

1. Алгоритмы разделения смесей легко модифицируются для работы при наличии неполных обучающих выборок. Такой тип задания априорной информации весьма эффективен — известны примеры, когда использование ОВ объема 10% исходной совокупности резко улучшало результаты классификации.

2. Описаны методы и алгоритмы классификации в ситуации, когда исследователь желает получить разбиение объектов на классы, согласованное с ограничениями на связи между объектами.

3. Описаны методы и алгоритмы классификации, основанные на представлении исходной информации о классифицируемых объектах в виде последовательности подграфов графа близости G, где — граф близости на уровне порога.

4. Каждый метод классификации опирается на модель класса в виде максимального подграфа (-компоненты) одного из графов близости , где F — свойство класса. В качестве моделей классов рассматриваются -связки, -компоненты, -блоки и -клики.

5. Описана общая схема алгоритмов, задающих последовательность покрытий совокупности объектов где — покрытие, образованное всеми -компонентами графа G. Рассмотрены важнейшие примеры алгоритмов и взаимосвязи между получаемыми с их помощью классификациями.