- •Статистические модели группировки
- •Статистические модели группировки
- •Статистические модели группировки
- •Статистические модели группировки
- •Статистические модели группировки
- •Статистические модели группировки
- •Статистические модели группировки
- •Алгоритм автоматической классификации на основе кластер-анализа
- •Алгоритм автоматической классификации на основе кластер-анализа
- •Алгоритм автоматической классификации на основе кластер-анализа
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
- •Алгоритм “адаптивного выбора подклассов”
Алгоритм “адаптивного выбора подклассов”
Pi nQi
где под x i понимается множество векторов, относящихся к i -ому кластеру, а Mi , i , Pi -оценки среднего, ковариационной матрицы и вероятностей кластеров
соответственно.
Полученные значения и являются результатом автоматической кластеризации по алгоритму АВП.
Сформированное множество состоятельных кластеров формирует алфавит подклассов
|
|
|
|
, , z |
|
1 |
|
|
|
c |
соответственно отнесение некоторого вектора x к подклассу i
может быть выполнено с использованием принципа максимальной апостериорной вероятности по следующему правилу:
Алгоритм “адаптивного выбора подклассов”
Классифицируемый вектор x относится к подклассу i |
алфавита , если |
||||||||
|
|
|
|
|
|
|
|
|
|
i arg min j x |
|
|
|
|
|
|
|
|
|
j |
|
|
j x M j ln |
|
|
|
|
|
|
1 |
M j |
t |
|
j |
|
|
ln Pj j |
|
|
|
|
|
|||||||
j x 2 x |
|
|
|
|
|
Рассмотренный алгоритм может быть использован в нескольких вариантах: 1) Задана априорная классификация распознаваемых объектов на классы
1 , 2 , , M
Задача состоит в нахождении подклассов в каждом классе i с помощью алгоритма АВП. Далее классификация объекта осуществляется по критерию минимального расстояния
|
|
|
|
|
j arg min min |
|
|||
|
j |
i |
i j |
|
|
|
|
|
|
Алгоритм “адаптивного выбора подклассов”
2)Не задана априорная классификация объектов на классы.
В этом случае задача эквивалентна обычной задаче кластеризации данных (или “обучение без учителя” в терминах теории распознавания образов). Этот режим использования алгоритма является весьма важным для изучения структуры признакового пространства с целью выявления “объективных классов”. Далее представляется важным сравнение “объективных классов” с классами, которые определяет эксперт.