Izmēru samazināšana Loginom Wiki. Datu analīzes apjoma samazināšanas metodes lieluma samazināšana

Ādas kompleksajā statistiskajā analīzē objektu apraksta ar vektoru, kura izmērs ir pietiekams (als visiem objektiem ir vienāds). Cilvēku protesti var iztikt bez raibumu skaita vidū. Analizējiet punktu iegādi triviālajā telpā vēl salokāmāk. Bezposredne Tas viss ir dabiski — bazanja piešķir bagātīgu noskaņu nelielajam telpas daudzumam, taču "jūs varat būt pārsteigti par tiem".

Krym pragnennya onochnostі, є y іnshі motīvi izmēra pazemināšanai. Tie birokrāti, no kuriem ieskats pagātnē, nevar iestrēgt, atņemt statistisko analīzi. Faktiski informācijai par tiem ir pieejami resursi. Citādā veidā, kā to var ienest, ja iekļauj statistisko procedūru spēka analīzē (pieaugums, palielināta parametru novērtējumu un pieauguma raksturlielumu dispersija). Toms Bazano uzjautrina šādas amatpersonas.

Vienā mirklī apspriežams, pazeminot dibena izmēru regresijas analīzei pārdošanas prognozēšanai, aplūkojot podrozdili 3.2.3. Pirmkārt, vairākas neatkarīgas ziemas ziemas no 17 līdz 12. Citā veidā es konstruēju jaunu faktoru - 12 uzminēto faktoru lineāro funkciju, kas ir visskaistākā kopējām prognozēm vispārējām pārdošanas prognozēm. Var teikt, ka rezultātā auga izmērs mainījās no 18 uz 2. Un paša viena neatkarīga faktora trūkums (ieviests līniju kombinācijas 3.2.3. sadaļā), ka viena papuve - daudz pārdošanu.

Analizējot bagātīgās un cienīgās dāvanas, aiciniet aplūkot nevis vienu, bet nedzīvu augu, asnu, kas vibrē kvadrātā un atmatā. Uz to ir skaidrs, ka uzbrukuma formulā ir samazinājies klīrenss. Dota bagatovymirnu vibirkam. Ir nepieciešams iziet cauri dažiem vektoriem mazākajā dimensijā, lai maksimāli palielinātu datu struktūru, ja iespējams, nevis patērēt informāciju, bet gan izmantot datus. Zavdannya jākonkretizē pie dermas saskarnes ar īpašu izmēru samazināšanas metodi.

Galvenās sastāvdaļas metodeє Viena no visbiežāk apburtajām izmēra samazināšanas metodēm. Galvenā staba ideja ir pēdējā laikā, pagātnē, tajā laikā ir lielākā rozete. Apturiet vibratoru, kas jāsaglabā ar vektoriem, tāpat kā ar vektoru X = (x(1), x(2), … , x(n)). Skaidrs līniju kombinācijas

Y(λ (1), λ (2), ..., λ ( n)) = λ (1) x(1) + λ (2) x(2) +… + λ ( n)x(n),

λ 2 (1) + λ 2 (2) +… + λ 2 ( n) = 1.

Šeit vektors λ = (λ (1), λ (2), ..., λ ( n)) gulēt uz vienas sfēras n- pasaules telpa.

Galveno komponentu veidā ir jāzina maksimālā izvade, tobto. tas pats λ pie noteikta kritiena vērtības dispersijas maksimuma Y(λ) = Y(λ (1), λ (2), ..., λ ( n)). Todi vektors λ norāda pirmo galvas komponentu un daudzumu Y(λ) ir kritiena vektora projekcija X uz pirmās galvas sastāvdaļas.

Pēc tam, izmantojot lineārās algebras terminus, apskatiet hiperplakni n-pasaules telpa, perpendikulāra pirmajai galvas sastāvdaļai un projicēta uz visu visu vibrējošo elementu laukumu. Laukuma izmērs ir 1 menša, laukuma izmērs ir mazāks.

Analizētās hipertelpas gadījumā procedūru atkārto. Jauns zina tieši visvairāk roskidu, tobto. drauga galvas sastāvdaļa. Tad jūs redzat laukumu, kas ir perpendikulārs pirmajiem diviem galvas komponentiem. Її izmērs 2 menšām, mazāks klejošanas telpas izmērs. Dal - iterācijas sākums.

Lai apskatītu lineāro algebru, es aplūkošu jaunas bāzes pamudināšanu n-pasaules telpa, galveno komponentu orts.

Dispersija, kas veido ādas jaunu galvas sastāvdaļu, mensha, zemāka priekšpusei. Zazvychay zupinyayutsya, ja ir mensha par uzdevumiem. Jakšo vidibrano k galvas sastāvdaļas, tad tse nozīmē, n-pasaules izplešanās tālumā, uz kuru doties k- pasaulīgs, tobto. ātruma lielums n- pirms tam k, praktiski neatbilda uzvaru struktūrai .

Vizuālai datu analīzei bieži vien tiek veikta ārējo vektoru projekcija uz pirmo divu galveno komponentu laukumu. Var redzēt datu struktūru, var redzēt kompaktas objektu un vektoru kopas, kuras var viegli saskatīt.

Galvas komponentu metode ir viena no metodēm faktoru analīze. Pamatojoties uz faktoru analīzes algoritmiem, informācija ir izskaidrota, taču tie visi varēs pārslēgties uz jaunu pamatu no n- pasaules telpa. Ir svarīgi saprast “navantazhennya faktoru”, jo tas ir iestrēdzis, lai aprakstītu ārējā faktora (izmaiņas) lomu formulētajā dziedāšanas vektorā no jauna.

Jauna ideja pret galvas komponentu metodi ir tāda, ka dienas pamatā ir problēma ar amatpersonu attīstību grupā. Vienā grupā varat apvienot faktorus, lai varētu pievienot papildu pieplūdumu jaunas bāzes elementiem. Ādas grupas dēļ ieteicams būt vienam pārstāvim. Viens veids, kā aizstāt pārstāvja izvēli ar raķešu ceļu, ir izveidot jaunu faktoru, kas ir centrālais grupai, uz kuru jāskatās. Telpas lieluma samazināšanu pieņem pirms pārejas uz ierēdņu sistēmu stundas, є grupu pārstāvji. Інші amatpersonas ir redzētas.

Aprakstīto procedūru var atrisināt bez papildu faktoru analīzes. Ideja par zīmes klastera analīzi (birokrāti, zmіnnikh). Rosbitt grupas zīmi var iestatīt, izmantojot klasteru analīzes algoritmus. Pietiek ieviest redzamību (tuvuma pasauli, redzamības indikatoru) un zīmes. Aiziet Xі Ir- divas zīmes. Redzamība d(X, Y) starp tām varat redzēt papildu vibrācijas veiktspējas korelācijas:

d 1 (X, Y) = 1 – r n(X, Y), d 2 (X, Y) = 1 - ρ n(X, Y),

de r n(X, Y) - Pīrsona korelācijas vibrācijas lineārais koeficients, ρ n(X, Y) - Spirmana rangu korelācijas vibrācijas koeficients.

Bagatomirne shkalyuvannya... Uzvarošajiem skatiem (tuvuma apmeklējumi, redzamības rādītāji) d(X, Y) mіzh zīmes Xі Ir lieliskā bagatovymirnogo mēroga metožu klase. Dotā ādas objekta daudzstūru metožu klases galvenā ideja ir ģeometriskās telpas punkts (izmērus sauc par 1, 2 vai 3), kura koordinātas kalpo kā latento (latento) faktoru vērtība, piemēram, lai adekvāti aprakstītu darbības jomu. Tajā pašā laikā starp punktiem ir vairāki objekti, kas jāaizstāj ar vienu - to pārstāvjiem. Tātad, dati par objektu līdzību - punktu veidā, dati par krustojumu - punktu atmiņā.

Praktizētāji apgūst vairākas jauni modeļi liela mēroga mērogs. Viņiem visiem ir problēma novērtēt faktoriālās telpas patieso dimensiju. Problēmu aplūkošu ar objektu pievienošanas datu apstrādes palīdzību ar metriskās mērogošanas palīdzību.

Nāc є n ob'єktіv Par(1), Par(2), …, O(n), ādas derībām Par(i), O(j) pasaule ir dota s(i, j). Vvazhaєmo, shho zavzhd s(i, j) = s(j, i). Staigājoši cipari s(i, j) nav nozīmīga, lai aprakstītu robotizēto algoritmu. Smaku varēja noraidīt vai nu bezposrednim vimirs, vai vietnieki eksperti, vai raksturlielumu apraksta aprēķins iemesla dēļ.

Skatieties Eiklīda telpā n about'n'kt_v mayut buty parādīts konfigurācijā n punkti, turklāt tāpat kā punktu-pārstāvju tuvuma pasaule d(i, j) starp punktiem. Informācijas par punktu skaitu un attēlojamo punktu skaitu parādīšanas posms jāsāk ar matricu iestatīšanu detaļām || s(i, j) || ka vidstane || d(i, j) ||. Ma viglyad metriskās līdzības funkcionāls

Ģeometriskā konfigurācija ir jāizvēlas tā, lai funkcionālā S sasniegtu mazāko vērtību.

Cieņa. Nemetriskā skala aizvieto pašas pieejas tuvumu un paša skata tuvumu, kārtības tuvumu tuvuma bezjēdzīgai pieejai un skata neesamībai. Nomaiņas funkcija S Spirmena un Kendala korelācijas ranžēto koeficientu analogi. Citiem vārdiem sakot, tā nav metriska skala, lai izietu no skalas, bet pasaule ir tuvu skalai.

Ļaujiet Eiklīda telpai maє razmirnist m... Redzams apžēlošanas vidējā kvadrāta minimums

,

minimāli izmantot visas iespējamās konfigurācijas n punktus m-pasaules Eiklīda telpa. Ir iespējams parādīt, ka minimuma analīze ir sasniedzama konfigurācijas dienā. Zrozumіlo, scho augot mα m vērtība monotoni mainās (precīzāk, nevis pieaugums). Jūs varat man parādīt m > n- 1 uzvarēja dorivnyuє 0 (jakšo s(i, j) ir metrika). Lai palielinātu asprātīgas interpretācijas iespējas, atklātajā telpā ir daudz vietas. Tomēr izmērs ir jāvibrē, lai punkti attēlotu objektus bez lieliskām lietām. Winikak uzturs: kā optimāli vibrēt izmēru, tobto. dabiskais skaitlis m?

Pie noteiktas datu analīzes robežām, pārtikas piezemētais izskats, pevne, mēms. Tāpat ir jāpielāgo α m uzvedība klusos modeļos. Jakšo miri tuvums s(i, j) є zemās vērtībās, kuras var atrast "gadatirgus telpā" m 0 (і, iespējams, kā parametru skaits), tad klasiskajā matemātiski-statistiskajā stilā ir iespējams iestatīt noklusējuma novērtējumu m 0, shukati par iespējamiem novērtējumiem utt.

Ilgu laiku būs imovirnіsnі modeļi. Pieņemams, ukti є plankumos Eiklīda telpas telpā k, de k lai pabeigtu lielo. Tie, kas ir "spravzhnya razmіrnіst" m 0 nozīmē, ka visi punkti atrodas uz dimensijas dimensijas m 0. Vērtībai ir pieņemams, ka apskatāmo punktu skaits ir vibrācija no cirkulāra normāla sadalījuma ar dispersiju σ 2 (0). Tse nozīmē, scho ob'єkti Par(1), Par(2), …, O(n) є atrodas blakus apakšējo vektoru apakškopā, kuru apvalks būs jaks ζ (1) e(1) + ζ (2) e(2) +… + ζ ( m 0)e(m 0), de e(1), e(2), … , e(m 0) - ortonormāls pamats lielā telpā m 0, kuros atrodas punkti, un ζ (1), ζ (2), ..., ζ ( m 0) - kvadrāti kopā vienlaikus ar z parastajām vērtībām matemātiskā ochikuvannya) šī dispersija σ 2 (0).

Ir redzami divi tuvuma pasaules noraidīšanas modeļi s(i, j). Pirmie no viņiem s(i, j) ir redzami no Eiklīda no skatu punktiem caur tiem punktiem no izveidotajiem punktiem. Aiziet s(1),s(2), … , s(n) - tiek parādīti punkti. Todi

s(i, j) = d(c(i) + ε( i), c(j) + ε( j)), i, j = 1, 2, … , n,

de d- Evklidova ir parādīta starp punktiem iekšā k-pasaules telpa, vektori ε (1), ε (2), ..., ε ( n) є vibrācija no apļveida parastās rozetes līdz k-pasaules telpa ar nulles matemātisko izredzēm un rupjo matricu σ 2 (1) es, de es ir viena matrica. Citiem vārdiem sakot, ε ( i) = η (1) e(1) + η (2) e(2) + ... + η ( k)e(k), de e(1), e(2), …, e(k) Ir ortonormāls pamats tam k-pasaules telpa un (η ( i, t), i= 1, 2, ..., n, t= 1, 2, ..., k) - neatkarīgu, kopumā līdzīgu viena veida vērtību skaits ar nulles matemātiskiem aprēķiniem un dispersiju σ 2 (1).

Citā modelī izveide tiek uzlikta bez vidus uz paša displeja:

s(es, j) = d(c(i), c(j)) + ε( es, j), es, j = 1, 2, … , n, i ≠ j,

de (ε ( i, j), i, j = 1, 2, … , n) - normālo vērtību diapazonā ir neatkarīgi no matemātiskiem aprēķiniem) un dispersijas σ 2 (1).

Robotiem ir parādīts, ka abiem formulētajiem modeļiem kapa vidējā kvadrāta minimums α m pie n→ ∞ saplūst jmovіrno uz

f(m) = f 1 (m) + σ 2 (1) ( k – m), m = 1, 2, …, k,

Šādā rangā funkcija f(m) līnija uz intervāliem, turklāt pirmajā intervālā, menshak shvidshe, nevis uz otru. Zvidsey viplivaє, scho statistika

є iespējamais novērtējums m 0 .

No tā paša, no iMovіrnіsіnіy teorijas viplivі ieteikuma - kā novērtējuma faktoriālās telpas lieluma vikoristovuvati m*. Zīmīgi, ka līdzīgu ieteikumu kā heiristisku formulēja viens no vispārīgās skalas aizsācējiem J. Kruskals. Vіn vіhodіv іf informācija par praktiskā uzvaras mēroga liela mēroga un skaitliskiem eksperimentiem. Imovirnisna teorija pieļāva obruntuvatie eiristisko ieteikumu.

Atslēgas vārdi

Abstrakts matemātikas zinātniskā statistika, zinātniskās robotikas autori - Oleksandrs Ivanovičs Orlovs, Jevgens Veniaminovičs Lutsenko

Viens no "izaugsmes punktiem" pielietotā statistikaє statistikas datu telpas samazināšanas metodes. Smaržo arvien biežāk vikoristoyutsya analīzei cieņas no īpašas pielietotās doslіdzhennya, piemēram, socioloģiskā. Ir skaidri redzamas daudzsološākās izmēra samazināšanas metodes. Galvenās sastāvdaļas metodeє Viena no visbiežāk apburtajām izmēra samazināšanas metodēm. Vizuālai datu analīzei bieži vien tiek veikta ārējo vektoru projekcija uz pirmo divu galveno komponentu laukumu. Var redzēt datu struktūru, var redzēt kompaktas objektu un vektoru kopas, kuras var viegli saskatīt. Galvenās sastāvdaļas metodeє viena no metodēm faktoru analīze... Jauna ideja Porіvyannі z galvenās sastāvdaļasŠajā gadījumā, pamatojoties uz iespēju izvēli, grupā ir faktori. Ierēdņi apvienosies vienā grupā, lai viņi varētu veikt papildu ieplūdes uz jauna pamata elementiem. Ādas grupas dēļ ieteicams būt vienam pārstāvim. Viens veids, kā aizstāt pārstāvja izvēli ar raķešu ceļu, ir izveidot jaunu faktoru, kas ir centrālais grupai, uz kuru jāskatās. Telpas lieluma samazināšanu pieņem pirms pārejas uz ierēdņu sistēmu stundas, є grupu pārstāvji. Інші amatpersonas ir redzētas. Uzvarošos apmeklējumos (tuvuma pasaule, redzes rādītāji) un zīmēs un zināšanās, lieliska metožu klase liela mēroga... Dotā ādas objekta daudzstūru metožu klases galvenā ideja ir ģeometriskās telpas punkts (izmērus sauc par 1, 2 vai 3), kura koordinātas kalpo kā latento (latento) faktoru vērtība, piemēram, lai adekvāti aprakstītu darbības jomu. imovinno-statistiskā modeļa un neskaitlisko piedevu statistikas rezultātu glabāšanas jaka, spēja novērtēt nodevu telpas lielumu liela mēroga, ko agrāk ierosināja Farbal no heiristiskās mirkuvans Tika apskatīti vairāki roboti modeļu lieluma novērtējums(Regresijas analīzē un klasifikācijas teorijā). Dota informācija par algoritmiem telpas lieluma samazināšanai automatizētajā sistēmas kognitīvajā analīzē.

Līdzīgi tiem matemātikas zinātniskie darbi, zinātniskās robotikas autori - Oleksandrs Ivanovičs Orlovs, Jevgens Veniaminovičs Lutsenko

• Matemātiskās metodes socioloģijā četrdesmit pieciem akmeņiem

• Objektu daudzveidība neskaitliskā dabā

• Parametru novērtējums: vienreizējie novērtējumi ir labāki nekā maksimālās iespējamības novērtējumi

• Lietišķā statistika - perspektīvais skats

  2016 / Oleksandrs Orlovs

• Lietišķās un teorētiskās statistikas attīstības perspektīvas

  2016 / Oleksandrs Orlovs

• Robežteorēmu savienošana un Montekarlo metode

  2015 / Oleksandrs Orlovs

• Par neskaitliskā rakstura objektu statistikas attīstību

  2013 / Oleksandrs Orlovs

• Statistikas metožu izaugsmes punkti

  2014 / Oleksandrs Orlovs

• Par jauniem daudzsološiem matemātikas rīkiem kontrolei

  2015 / Oleksandrs Orlovs

• Skatiet statistikas veltījumu plašumu

  2014 / Oleksandrs Orlovs

Viens no statistikas "izaugsmes periodiem" ir statistikas datu dimensijas samazināšanas metodes. Sajūtiet draudzīgus vikārus, analizējot datus specifiskos lietišķos pētījumos, piemēram, socioloģijā. Mēs pētām daudzsološākās metodes pirms dimensijas samazināšanas. Pieskaitāmās sastāvdaļas ir viena no vislielākajām metodēm, kas var iesaldēt līdz izmēra izmaiņām. Vizuālajai datu analīzei vicorians izstrādā sākotnējos vektorus pirmo divu galveno komponentu plānos. Nosauciet struktūras un skaidri atcerieties, kompaktas ob'ktyv un okree-roztovanny vektoru kopas. Galvenās sastāvdaļas ir viena faktora analīzes metode. Jaunās idejas faktoru analīze, salīdzinot ar metodes galvenajām sastāvdaļām, ir tāda, ka, pamatojoties uz slodzēm, faktori sadalās grupās. Vienai faktoru grupai jaunais faktors ir apvienots ar līdzīgu ietekmi uz jaunās bāzes elementiem. Šī ir lieliska grupa ar vienu pārstāvi. Dienas stundu, es uzzināju, kā Viconati vibirkov tāmi, kas ir jauns faktors, kas ir galvenais, lai grupa uzturā. Dimensijas izmaiņas notiek, pārejot uz faktoru sistēmu, piemēram, grupu pārstāvjiem. Інші rūpnīca є izmesti. Vikoristovuchi attālums (tuvuma mērījumi, atšķirību rādītāji) mіzh iezīmes і plaša klase ir balstīta uz daudzdimensiju mērogošanas metodēm. Metožu kategorijas є Dānija galvenā ideja ir par'єkt, kā ģeometriskās telpas punkts (zvana dimensija 1, 2 vai 3), jo koordinātas ir augšdaļas (latentās) vērtības. faktoriem, piemēram, pārvietoties, lai tas nozīmētu subjektu. Izmantojot varbūtības un statistiskās modelēšanas un neskaitlisko datu statistikas rezultātus, mēs pamatojam daudzdimensiju mērogošanas datu dimensijas novērtētāju konsekvenci, ko Kruskal ierosināja iepriekš no heiristiskiem apsvērumiem. Smaržas sarindotas modeļu pēdējo gadu dimensijas rindā (regresijas analīzē un klasifikācijas teorijā). Mēs sniedzam arī informāciju par algoritmiem, lai samazinātu dimensiju automatizētajā sistēmas kognitīvajā analīzē

Zinātnes robotikas teksts par tēmu "Statistikas datu telpas samazināšanas metodes"

UDK 519.2: 005.521: 633.1: 004.8

01.00.00 Fizika un matemātika

METODES LIELUMA SAMAZINĀŠANAI STATISTISKO DATU VIETĀ

Oleksandrs Orlovs

Ekonomikas doktors, tehnisko zinātņu doktors, fizikas un matemātikas zinātņu kandidāts, profesors

RISC BRSH kods: 4342-4994

Maskavas valsts tehnika

universitāte im. nē. Bauman, Krievija, 105005,

Maskava, 2-a Baumanskaya st., 5, [aizsargāts ar e-pastu] T

Lucenko Jevgens Veniaminovičs ekonomikas doktors, tehnisko zinātņu kandidāts, RISC profesors BRSH kods: 9523-7101 Kubanas Valsts agrārā universitāte, Krasnodara, Krievija [aizsargāts ar e-pastu] com

Viens no lietišķās statistikas audzēšanas punktiem ir statistikas datu apjoma samazināšanas metode. Smaržo arvien biežāk vikoristoyutsya analīzei cieņas no īpašas pielietotās doslіdzhennya, piemēram, socioloģiskā. Ir skaidri redzamas daudzsološākās izmēra samazināšanas metodes. Galvas komponentu metode ir viena no visizplatītākajām izmēru samazināšanas metodēm. Vizuālai datu analīzei bieži vien tiek veikta ārējo vektoru projekcija uz pirmo divu galveno komponentu laukumu. Var redzēt datu struktūru, var redzēt kompaktas objektu un vektoru kopas, kuras var viegli saskatīt. Galveno komponentu metode ir viena no faktoru analīzes metodēm. Jauna ideja pret galvas komponentu metodi ir tāda, ka dienas pamatā ir problēmas ar amatpersonu attīstību grupā. Vienā grupā varat apvienot faktorus, lai varētu pievienot papildu pieplūdumu jaunas bāzes elementiem. Ādas grupas dēļ ieteicams būt vienam pārstāvim. Viens veids, kā aizstāt pārstāvja izvēli ar raķešu ceļu, ir izveidot jaunu faktoru, kas ir centrālais grupai, uz kuru jāskatās. Telpas lieluma samazināšanu pieņem pirms pārejas uz ierēdņu sistēmu stundas, є grupu pārstāvji. Інші amatpersonas ir redzētas. Uzvarošos apmeklējumos (tuvs tuvums, redzamības norādes), kā arī zīmes un atziņas ir lieliska sarežģīta mēroga metožu klase. Metožu klases galvenā ideja daudzstūriem dotajā ādas objektā ir ģeometriskās telpas punkts (mainiet izmēru 1, 2 vai 3), kura koordinātas ir latento faktoru vērtības, kas kopumā adekvāti aprakstīt

UDK 519.2: 005.521: 633.1: 004.8

Fizikas un matemātikas zinātnes

STATISTISKO DATU TELPAS DIMENSIJAS SAMAZINĀŠANAS METODES

Orlovs Aleksandrs Ivanovičs

Dr.Sci.Econ., Dr.Sci.Tech., Cand.Phys-Math.Sci.,

Bauman Maskavas Valsts tehniskā universitāte, Maskava, Krievija

Lucenko Eugeny Veniaminovich Dr. Sci.Econ., Cand.Tech.Sci., profesors RSCI SPIN-kods: 9523-7101

Kubanas Valsts agrārā universitāte, Krasnodara, Krievija

[aizsargāts ar e-pastu] com

Viens no statistikas "izaugsmes periodiem" ir statistikas datu dimensijas samazināšanas metodes. Sajūtiet draudzīgus vikārus, analizējot datus specifiskos lietišķos pētījumos, piemēram, socioloģijā. Mēs pētām daudzsološākās metodes pirms dimensijas samazināšanas. Galvenās sastāvdaļas ir viena no vissvarīgākajām metodēm, kas var iesaldēt līdz izmēra izmaiņām. Vizuālajai datu analīzei vicorians izstrādā sākotnējos vektorus pirmo divu galveno komponentu plānos. Nosauciet struktūras, lai skaidri atcerētos, augsti izgaismotas kompaktas ob'ktyv un gandrīz vizuālo vektoru kopas. Vadošie komponenti є viena faktora analīzes metode. Jaunās idejas faktoru analīze salīdzinājumā ar galveno komponentu metodi ir tāda, ka, pamatojoties uz slodzēm, faktori sadalās grupās. Vienai faktoru grupai jaunais faktors ir apvienots ar līdzīgu ietekmi uz jaunās bāzes elementiem. Šī ir lieliska grupa ar vienu pārstāvi. Dienas stundu, es uzzināju, kā Viconati vibirkov tāmi, kas ir jauns faktors, kas ir galvenais, lai grupa uzturā. Dimensijas izmaiņas notiek, pārejot uz faktoru sistēmu, piemēram, grupu pārstāvjiem. Інші rūpnīca є izmesti. Uzvaras attālums (parametru proporcija, atšķirības rādītāji) starp rīsiem un galvenajām klasēm є balstās uz daudzdimensiju mērogošanas metodēm. Metožu kategorijas є Dānija galvenā ideja ir par'єkt, kā ģeometriskās telpas punkts (zvana dimensija 1, 2 vai 3), jo koordinātas ir augšdaļas (latentās) vērtības. faktoriem, piemēram, pārvietoties, lai tas nozīmētu subjektu. Jaku muca varbūtības un statistiskās modelēšanas un neskaitlisko datu statistikas rezultātu pielietojums, mēs pamatojam aprēķinu konsekvenci.

ob'єkt. Imperiāli-statistiskā modeļa un neskaitlisko nodevu statistikas rezultātu glabāšanas jaka, spēju novērtēt nodevu telpas lielumu nosaka liela mēroga mērogs, ko iepriekš ierosināja Farbal no ebreju pasaules. No modeļu dimensiju novērtējuma (regresijas analīzē un klasifikācijas teorijā) apskatīti vairāki roboti. Dota informācija par algoritmiem telpas lieluma samazināšanai automatizētajā sistēmas kognitīvajā analīzē.

Atslēgas vārdi: MATEMĀTIKA, LIETIEŠĀ STATISTIKA, MATEMĀTISKĀ STATISTIKA, VECUMA PUNKTI, GALVAS KOMPONENTU METODE, FAKTORA ANALĪZE, BAGATOMIRNE SHKALYUVANYA, OTSINYUVANYANYUYANYANYUZDIULYANI

datu dimensija daudzdimensiju mērogošanā, ko Kruskal iepriekš ierosināja no heiristiskiem apsvērumiem. Smaržas sarindotas modeļu pēdējo gadu dimensijas rindā (regresijas analīzē un klasifikācijas teorijā). Mēs sniedzam arī informāciju par algoritmiem, lai samazinātu dimensiju automatizētajā sistēmas kognitīvajā analīzē

Atslēgas vārdi: MATEMĀTIKA, LIETOTĀJĀ STATISTIKA, MATEMĀTISKĀ STATISTIKA, IZAUGSMES PUNKTI, GALVENĀS KOMPONENTES ANALĪZE, FAKTORA ANALĪZE, DAUDZDIMENSIONĀLĀ MĒROGONA, DATU DIMENSIJAS NOVĒRTĒJUMS, MODEĻA NOVĒRTĒJUMS

1. Ievads

Jaks nozīmēja vienu no lietišķās statistikas "augšanas punktiem" є statistikas datu telpas samazināšanas metodi. Smaržo arvien biežāk vikoristoyutsya analīzei cieņas no īpašas pielietotās doslіdzhennya, piemēram, socioloģiskā. Ir skaidri redzamas daudzsološākās izmēra samazināšanas metodes. Tāpat kā imovinous-statistiskā modeļa un neskaitlisko piedevu statistikas rezultātu glabāšanas muca, tiek noteikta iespēja novērtēt telpas lielumu, ko Farbals iepriekš atbalstīja no eiristiskajām pasaulēm.

Ādas kompleksajā statistiskajā analīzē objektu apraksta ar vektoru, kura izmērs ir pietiekams (als visiem objektiem ir vienāds). Cilvēku protesti var iztikt bez raibumu skaita vidū. Analizējiet punktu iegādi triviālajā telpā vēl salokāmāk. Bezposredne Tas viss ir dabisks, є bazhannya iet kā bagatovymirnaya vibirka līdz mazam izmēram

brīnums." Piemēram, tirgotājs to var izdarīt ar rokām, skіlki є dažādi veidi To uzvedība, kuri ir laimīgi (lai viņi varētu redzēt tirgus segmentus) un kuri paši (ar autoritātēm) labprāt tajos ienāk.

Krym pragnennya onochnostі, є y іnshі motīvi izmēra pazemināšanai. Tie birokrāti, no kuriem ieskats pagātnē, nevar iestrēgt, atņemt statistisko analīzi. Pirmkārt, informācija par viņiem tiks aizpildīta ar finansēm, komandas stundām, personāla resursiem. Citādā veidā, kā to var ienest, ja iekļauj statistisko procedūru spēka analīzē (pieaugums, palielināta parametru novērtējumu un pieauguma raksturlielumu dispersija). Toms Bazano uzjautrina šādas amatpersonas.

Analizējot bagātīgās un cienīgās dāvanas, aiciniet aplūkot nevis vienu, bet nedzīvu augu, asnu, kas vibrē kvadrātā un atmatā. Uz to ir skaidrs, ka uzbrukuma formulā ir samazinājies klīrenss. Dota bagatovymirnu vibirkam. Ir nepieciešams iziet cauri dažiem vektoriem mazākajā dimensijā, lai maksimāli palielinātu datu struktūru, ja iespējams, nevis patērēt informāciju, bet gan izmantot datus. Zavdannya jākonkretizē pie dermas saskarnes ar īpašu izmēru samazināšanas metodi.

2. Galveno komponentu metode

Uzvariet vienu no visbiežāk apburtajām izmēra samazināšanas metodēm. Galvenā staba ideja ir pēdējā laikā, pagātnē, tajā laikā ir lielākā rozete. Neļaujiet vibratoram būt sakrautam ar vektoriem, bet tāpat ar vektoru X = (x (1), x (2), ..., x (n)). Viegli saprotamas līniju kombinācijas

7 (^ (1), X (2),., L (n)) = X (1) x (1) + X (2) x (2) + ... + l (n) x (n) ,

X2 (1) + X2 (2) + ... + X2 (n) = 1. Šeit vektors X = (X (1), X (2), ..., X (n)) atrodas uz viena sfēra n -wimming space.

Galveno komponentu veidā ir jāzina tieši līdz maksimālajam rozkidu, tobto. arī X, kuram kritiena vērtības dispersijas maksimums ir 7 (X) = 7 (X (1), X (2), ..., X (n)). Todi vektors X ir sākuma galvas komponents, un vērtība 7 (X) ir kritiena vektora X projekcija uz pirmo galvas komponentu.

Pēc tam, izmantojot lineārās algebras terminus, es skatos uz hipertelpu n-pasaules telpā, perpendikulāri pirmajam galvas komponentam, un projicēju visu vibrējošo elementu visu hipertelpu. Laukuma izmērs ir par 1 mazāks, mazāks par laukuma lielumu.

Analizētās hipertelpas gadījumā procedūru atkārto. Jauns zina tieši visvairāk roskidu, tobto. drauga galvas sastāvdaļa. Tad jūs redzat laukumu, kas ir perpendikulārs pirmajiem diviem galvas komponentiem. Її izmērs 2 menšām, mazāks klejošanas telpas izmērs. Dal - iterācijas sākums.

Ar lineārās algebras skatienu es redzēšu par jauna pamata indukciju n-pasaules telpā, kuras orts ir pamatkomponenti.

Dispersija, kas veido ādas jaunu galvas sastāvdaļu, mensha, zemāka priekšpusei. Zazvychay zupinyayutsya, ja ir mensha par uzdevumiem. Tas tiek ņemts uz galvenajām sastāvdaļām, kas nozīmē, ka no n-dimensiju telpas jāiet k-dimensionālajā telpā, tobto. ātrums razmіrnіst z p-to, praktiski nesaskaņojot struktūru wihіdnyh tributes.

Vizuālai datu analīzei bieži vien tiek veikta ārējo vektoru projekcija uz pirmo divu galveno komponentu laukumu. Zvaniet

Skaidri redzama datu struktūra, redzamas kompaktas objektu kopas un apkārtne.

3. Faktoru analīze

Galvas komponentes metode ir viena no faktoru analīzes metodēm. Faktoriālās analīzes algoritmi ir noteikti ar algoritmiem tā, lai tie nonāktu jaunā bāzē ārpus kastes n-pasaules telpā. Ir svarīgi saprast “navantazhennya faktoru”, jo tas ir iestrēdzis, lai aprakstītu ārējā faktora (izmaiņas) lomu formulētajā dziedāšanas vektorā no jauna.

Jauna ideja pret galvas komponentu metodi ir tāda, ka dienas pamatā ir problēmas ar amatpersonu attīstību grupā. Ierēdņi apvienosies vienā grupā, lai viņi varētu veikt papildu ieplūdes uz jauna pamata elementiem. Ādas grupas dēļ ieteicams būt vienam pārstāvim. Viens veids, kā aizstāt pārstāvja izvēli ar raķešu ceļu, ir izveidot jaunu faktoru, kas ir centrālais grupai, uz kuru jāskatās. Telpas lieluma samazināšanu pieņem pirms pārejas uz ierēdņu sistēmu stundas, є grupu pārstāvji. Інші amatpersonas ir redzētas.

Aprakstīto procedūru var atrisināt bez papildu faktoru analīzes. Ideja par zīmes klastera analīzi (birokrāti, zmіnnikh). Rosbitt grupas zīmi var iestatīt, izmantojot klasteru analīzes algoritmus. Pietiek ieviest redzamību (tuvuma pasauli, redzamības indikatoru) un zīmes. Nekhai X un U - divas zīmes. Atšķirību d (X, Y) starp tām var parādīt papildu vibrācijas korelācijas koeficientiem:

di (X, Y) = 1 - \ rn (X, Y) \, d2 (X, Y) = 1 - \ pn (X, Y) \, de rn (X, Y) - Pirsona korelācijas vibrācijas lineārā efektivitāte , pn (X, Y) - Spirmana rangu korelācijas vibrācijas koeficients.

4. Bagatomirne skala.

Par uzvarošajiem skatiem (tuvuma pasaule, redzamības rādītāji) d (X, Y) un X pazīmēm un Pētījumos ir liela liela mēroga metožu klase. Dotā ādas objekta daudzstūru metožu klases galvenā ideja ir ģeometriskās telpas punkts (izmērus sauc par 1, 2 vai 3), kura koordinātas kalpo kā latento (latento) faktoru vērtība, piemēram, lai adekvāti aprakstītu darbības jomu. Ja ir vairāki objekti, viens ir jāaizstāj ar vienu starp diviem punktiem - to pārstāvjiem. Tātad, dati par objektu līdzību - punktu veidā, dati par krustojumu - punktu atmiņā.

5. Faktortelpas godīguma novērtēšanas problēma

Praktiskajai socioloģisko datu analīzei ir vairāki dažādi dažāda mēroga modeļi. Viņiem visiem ir problēma novērtēt faktoriālās telpas taisnīgumu. Problēmu aplūkošu ar objektu pievienošanas datu apstrādes palīdzību ar metriskās mērogošanas palīdzību.

Nekhai є n ob'єktіv 0 (1), O (2), ..., O (n), ādas derības ob'єktіv 0 (/), O (j) ir dota їх īpašību pasaule s (ij) . Vazhaєmo, s (i, j) = s (j, i). Ciparu s (ij) staigāšana nav svarīga, lai aprakstītu robotizēto algoritmu. Smaku varēja atraidīt vai nu bezposrednim vimirs, vai vietnieku eksperti, vai aprēķinot par sukupnistu aprakstošo raksturlielumu dēļ.

Eiklīda telpā n vainas objekti tiek attēloti ar n punktu konfigurāciju, turklāt kā punktu-pārstāvju tuvuma pasaule Eiklīda izskata arhitektūrā d (i, j)

starp punktiem. Katra punktu skaita un to attēlotā punktu skaita parādīšanas stadiju nosaka detaļu kreiso matricu ceļš || I (,) || SM-Metric funkcijai

i = £ | * (/,]) - d (/, M

Ģeometriskā konfigurācija ir jāizvēlas tā, lai funkcionālā S sasniegtu mazāko vērtību.

Cieņa. Nemetriskā skala aizvieto pašas pieejas tuvumu un paša skata tuvumu, kārtības tuvumu tuvuma bezjēdzīgai pieejai un skata neesamībai. Aizstāt S funkciju ar Spirmena un Kendal korelācijas ranga funkciju analogiem. Citiem vārdiem sakot, tā nav metriska skala, lai izietu no skalas, bet pasaule ir tuvu skalai.

Ļaujiet Eiklīda telpai mazā izmēra t. Kapa vidējā kvadrāta minimums

de minimums aizņem visas iespējamās punktu konfigurācijas Eiklīda telpas pasaulē. Ir iespējams parādīt, ka minimuma analīze ir sasniedzama konfigurācijas dienā. Ir skaidrs, ka pie pieauguma monotoni mainās at vērtība (precīzāk, nevis izaugsme). Var parādīt, ka m> n - 1 ieguva durvju aili 0 (kas ir metrika). Lai palielinātu asprātīgas interpretācijas iespējas, atklātajā telpā ir daudz vietas. Tomēr izmērs ir jāvibrē, lai punkti attēlotu objektus bez lieliskām lietām. Vinikak uzturs: kā optimāli vibrēt telpu uz telpu, tobto. naturālais skaitlis m?

6. Dotās telpas lieluma novērtēšanas modeļi un metodes

Pie noteiktas datu analīzes robežām, pārtikas piezemētais izskats, pevne, mēms. Tāpat ir jāpielāgo uzvedība klusos viedos modeļos. Tiklīdz tuvums s (ij) є nelielos daudzumos, kuru pieaugums slēpjas "īstajā disociācijā" utt.

Ilgu laiku būs imovirnіsnі modeļi. Pieņemami, u'kti є raibs Eiklīda kosmosa plašumā, līdz tas ir liels. Tie, kas ir "pareizie izmēri" ceļam m0, nozīmē, ka visi punkti atrodas uz laukuma m0 dziļuma. Vērtībai ir pieņemams, ka apskatāmo punktu skaits ir vibrācija no cirkulāra normāla sadalījuma ar dispersiju aptuveni (0). Tse nozīmē, 0 (1), 0 (2), ..., O (n) є pēc nesaistītiem vip vektoriem, no kuriem būs jaks

Z (1) e (1) + Z (2) e (2) + ... + Z (m0) e (m0), de e (1), e (2), ..., e (m0) - ortonormāls pamats plašam izmēram m0, kurā atrodas punkti, un Z (1), Z (2), Z (m0) ir neatkarīgi to pašu normālo vērtību diapazonā ar matemātiskiem aprēķiniem 0 (0).

Var redzēt divus tuvuma modeļus s (ij). Pirmajā no tiem s (ij) ir redzams no eiklīda skata un no skatpunktiem caur tiem no skatu punktiem. Iet ar (1), ar (2), ..., c (n) - apskatāmie punkti. Todi

s (i, j) = d (c (i) + e (i), c (j) + s (/)), ij = 1, 2, ..., n,

de j - starp kosmosa pasaules punktiem parādās eiklīds, vektori e (1), e (2), ..., e (n) ir vibrācija no apļveida normālā sadalījuma telpas pasaulē ar nulli matemātisko. izredzes un matricas mānīgs (1) /, de I-atsevišķi matrica. Citiem vārdiem sakot,

f (0 = n (1) f (1) + P (2) f (2) + ... + q (k) in (k), de f (1), f (2), ..., e (k) ir ortonormāls pamats pasaules telpā, a [μ ^^), i = 1, 2, ..., n ,? = 1, 2, ..., k) - neatkarīgu izplatība tajā pašā laikā vienāda lieluma ar nulles matemātiskiem aprēķiniem un dispersiju par (1).

Citā modelī izveide tiek uzlikta bez vidus uz paša displeja:

Kch) = d (Φ \ CI)) + £ (YX і = 1, 2., n, i Φ j,

de і, turklāt pirmais intervāls uzvarēja menshaє shvidshe, nevis otrs. Zvidsey viplivaє, scho statistika

m * = Arg minam + 1–2:00 + an-x)

є ar noderīgu patiesā izmēra m0 novērtējumu.

Tāpat, saskaņā ar vipliving teoriju, ieteikums ir, kā novērtēt faktoriālās telpas lielumu vikoristovuvati m *. Zīmīgi, ka līdzīgu ieteikumu kā heiristisku formulēja viens no vispārīgās skalas aizsācējiem J. Kruskals. Vіn vіhodіv іf informācija par praktiskā uzvaras mēroga liela mēroga un skaitliskiem eksperimentiem. Imovirnisna teorija pieļāva obruntuvatie eiristisko ieteikumu.

7. Modeļa izmēra novērtējums

Tiklīdz ir iespējams izveidot ģimeni, paplašināt, piemēram, novērtēt polinoma pakāpienus, tad likumsakarīgi ir ieviest terminu "modeļa lielums" Šīs statistikas autoram vajadzētu izsekot vairākiem robotiem no modeļa izmēra novērtējuma, kā arī līdz pilnīgai robotu realizācijai no skatītāja dotā telpas lieluma novērtējuma.

Persha šāds robots ir vikonāns, ko autors izveidojis statistikas sērijas no stundas līdz Francijai 1976. gadā. Viņiem ir viens modeļa lieluma novērtējums regresijā, un polinoma soļa novērtējums ir reducētā stāvoklī, tāpēc izlaidumu apraksta polinoms. Lodes aprēķins ir redzams literatūrā, bet tas it kā piedēvēts šīs statistikas autoram, kuram atņemta vara, laicīgi piecēlies, bet tas nav iespējams, bet zinot ģeometriskās robežas. Tāpat statistikā tiks izplatīti un aktualizēti iespējamie regresijas modeļa lieluma novērtējumi. Tsey cikls ir pabeidzis robotu, lai atriebtu vairākus precizējumus.

Ekstremālā publikācija par visu tēmu ietver diskusijas par efektivitātes palielināšanas rezultātiem robežteorēmās, kuras esmu pieņēmis ar Montekarlo metodi.

Analoģija modeļa lieluma novērtēšanas metodoloģijai summu sadalīšanas problēmā (daļa no klasifikācijas teorijas) ir parādīta statistikā.

Modeļa izmērs tiek novērtēts plašā mērogā, izmantojot robotus. Cich robotos tika noteikta robežuzvedība pamatkomponentu metodē (ar papildu asimptotisko uzvedības teoriju, ekstrēmo statistisko augu risinājumiem).

8. Algoritmi lieluma samazināšanai automatizētajā sistēmas kognitīvajā analīzē

Automatizētajā sistēmas kognitīvajā analīzē (ASK-analīzē) "Eidos" sistēmā tiek ieviesta cita izmēra samazināšanas metode. Robotu aprakstu vīni razdilakh 4.2 "Sistēmas analīzes (BCOSA) pamata kognitīvo operāciju algoritmu apraksts" un 4.3. "Detalizēti BCOSA algoritmi (ACS-analīze)". Iespējams, īss apraksts par diviem algoritmiem - BKOSA-4.1 un BKOSA-4.2.

BKOSA-4.1. "Faktoru abstrakcija (faktoru semantiskās telpas lieluma samazināšana)"

Sakarā ar pēdējo dienu papildu metodi (iteratīvais algoritms), piešķirtajiem robežprātiem, atribūtu apjoma apjoms samazināsies bez vienkāršas naudas summas maiņas. Iteratīvā procesa uzlabošanas kritērijs ir viena robežprāta sasniegšana.

BKOSA-4.2. "Nodarbību abstrakcija (nodarbību semantiskās telpas lieluma samazināšana)"

Sakarā ar pēdējo dienu papildu metodi (iteratīvais algoritms), dotajiem robežprātiem, nodarbību telpas apjoms samazināsies bez vienkāršas naudas summas maiņas. Iteratīvā procesa uzlabošanas kritērijs ir viena robežprāta sasniegšana.

Šeit ir visi reālie algoritmi, kas ieviesti tās pašas versijas "Eidos" sistēmā, kas tika realizēta robota sagatavošanas laikā (2002 rik): http: //lc.kubagro .ru / aidos / aidos02 / 4.3 . htm

Algoritmu būtība ir šāda.

1. Ņemiet mazliet informāciju par objekta pārvietošanas faktoru vērtībām stacijā, kas tiek parādīta klasēm.

2. Paaugstināt amatpersonas vērtības vērtību objekta diferencēšanai klasēm. Augsta vērtība - ierēdņu informatīvo vērtību cenu mainīgums (daži no tiem ir mainīgi bagāti: vidējais skats ir no vidējā, vidējā kvadrātiskā skata un pārējie). Turklāt šķiet, ka, ja zīmīgajā faktorā pa vidu ir maz informācijas par priekšmeta piemērotību nevis šķirai, tad vērtība nav vēl vērtīgāka, bet gan bagātīgi vērtīga.

3. Paaugstināt aprakstošo skalu vērtību objektu diferenciācijai klasēm. Robotos Є.V. Lucenko tiecas uz skalas gradāciju vērtību vidu.

4. Var veikt faktoru vērtības un aprakstošo skalu Pareto optimizāciju:

Faktoru vērtības (aprakstošo skalu gradācijas) ir sarindotas vērtības samazināšanās secībā un redzamas no modeļiem, zemākās vērtības, jo tas iet tieši uz leju līdz Pareto līkumam 45 °;

Faktori (skalas apraksti) ir sarindoti vērtības samazināšanās secībā un ir redzami no modeļiem, labākās vērtības, jo tas iet pa labi un uz leju līdz Pareto līkumam 45 °.

Caur telpas plašumiem, uzvedināti uz aprakstošajiem mērogiem, tas burtiski samazinās ar pareizo mērogu savstarpējo vizualizāciju, tobto. pa dienu, tse orthonormuvannya telpa informācijas metrikā.

Tsey var atkārtot, tobto. buti іteratsіynim, ar a jauna versija"Eidos" sistēmā iterācijas tiek palaistas manuāli.

Tāpat arī klašu informācijas telpa ir ortonormāla.

Šīs gradācijas skalas var būt skaitliskas (tas ir, mainās intervālu vērtības), un tās var būt tekstuālas (kārtējās un nominālās).

Šādā rangā ar BKOSA algoritmu palīdzību (ASK-analīze) telpas lielums tiek maksimāli samazināts ar minimālo otro informāciju.

Statistisko datu analīzei lietišķajā statistikā ir izdalīti zema līmeņa optimizācijas algoritmi. Līdz statistikas beigām neiekļaujiet visu šādu algoritmu izstrādes aprakstu.

Literatūra

1. Orlovs A.I. Statistikas metožu izaugsmes punkti // Politemātiskais ezis elektroniskā zinātnes žurnāls Kubanas Valsts Agrārā universitāte. 2014. Nr. 103. S. 136-162.

2. Farkal J. Savstarpējā saikne starp dažādiem mērogiem un klasteru analīzi // Klasifikācija un klasteru analīze. M: Svit, 1980.S., 20-41.

4. Harmans G. Suchasnijs faktoru analīze... M: Statistika, 1972.489 lpp.

5. Orlovs A.I. Piezīmes no klasifikācijas teorijas. / Socioloģija: metodoloģija, metodes, matemātiskie modeļi... 1991. Nr.2. P.28-50.

6. Orlovs A.I. Klasifikācijas matemātiskās teorijas pamatrezultāti // Kubanas Valsts Agrārās universitātes politemātiskais elektroniskās zinātnes žurnāls. 2015. Nr. 110. S. 219-239.

7. Orlovs A.I. Klasifikācijas teorijas matemātiskās metodes // Kubanas Valsts Agrārās universitātes politemātiskais elektroniskās zinātnes žurnāls. 2014.Nr.95, 23. - 45.lpp.

8. Teriohina A.Yu. Datu analīze ar liela mēroga mērogošanas metodēm. -M: Nauka, 1986.168 lpp.

9. Reverss V. T. Sociālās un ekonomiskās informācijas nelineāra tipoloģiskā analīze: Matemātiskās un skaitliskās metodes. - L .: Nauka, 1983.176 lpp.

10. Tyurin Yu.M., Litvak B.G., Orlov A.I., Satarov G.A., Shmerling D.S. Neskaitliskās informācijas analīze. M .: Naukova Rada Zinātņu akadēmija SRSR іf sarežģīta problēma "Kibernētika", 1981. - 80 lpp.

11. Orlovs A.I. Rupjš skatījums uz neskaitliskā rakstura objektu statistiku // Neskaitliskās informācijas analīze sociālajās zinātnēs. - M: Zinātne, 1985.S., 58-92.

12. Orlovs A.I. Regresijas pamatfunkciju skaita viena novērtējuma robežu sadalījums // Lietišķā statistiskā Bagatovimirny analīze. Ievadpiezīmes par statistiku, v.33. - M: Nauka, 1978.S.380-381.

13. Orlovs A.I. Modeļa lieluma novērtējums regresijā // Algoritms programmatiski drošs pielietotā statistiskā analīze Včeni piezīmes par statistiku, v.36. - M: Nauka, 1980.S.92-99.

14. Orlovs A.I. Modeļa lieluma dažādo novērtējumu asimptotika regresijā // Lietišķā statistika. Ievadpiezīmes par statistiku, 45. p. - M: Nauka, 1983.S., 260-265.

15. Orlovs A.I. Par regresijas polinoma novērtēšanu // Rūpnīcas laboratorija. Materiālu diagnostika. 1994.60.sēj. Nr.5. S.43-47.

16. Orlovs A.I. Deyaky imovirni uzturs klasifikācijas teorijā // Lietišķā statistika. Ievadpiezīmes par statistiku, 45. p. - M: Nauka, 1983.S.166-179.

17. Orlovs A.I. Par rakstu izstrādi no neskaitliskiem objektiem // Eksperimentu dizains un datu analīze: jaunas tendences un rezultāti. - M .: ANTAL, 1993. P.52-90.

18. Orlovs A.I. Izmēra samazināšanas metode // Dodatok 1 uz grāmatu: Tolstova Yu.M. Liela mēroga pamati: Navchalny posibnik universitātēm. - M .: Vidavnistvo KDU, 2006 .-- 160 lpp.

19. Orlovs A.I. Ekstrēmo statistikas uzņēmumu risinājumu asimptotika // Neskaitlisko piedevu analīze sistēmiskos priekšrakstos. Zbirnik prats. Vip. 10. - M: Vissavienības Zinātniskais-Iepriekšējais sistēmisko devu institūts, 1982, 412. lpp.

20. Orlovs A.I. Organizatoriskais un ekonomiskais modelis: darbinieks: apmēram 3 gadi. 1. daļa: Statistika, kas nav saistīta ar vārdiem. - M: MDTU tips im. nē. Baumans. - 2009 .-- 541 lpp.

21. Lucenko Є.V. Automatizācijas sistēma-kognitīvā analīze aktīvo objektu pārvaldībā (informācijas sistēmu teorija un jau esošo ekonomikas, sociālpsiholoģisko, tehnoloģisko un organizatoriskā-tehnisko sistēmu glabāšana) -Krasnodara: KubDAU. 2002 .-- 605 lpp. http://elibrary.ru/item.asp?id=18632909

1. Orlovs A.I. Tochki rosta statisticheskich metod // Politematicheskij setevej jelektronny nauchny zhurnal Kubanskogogosudarstvennogo agrarnogo universiteta. 2014. Nr. 103. S. 136-162.

2. Kruskal J. Saistība starp dažādām skalām un klasteru analīzi // Klasifikācija un klasteru analīze M .: Mir, 1980. S.20-41.

3. Kruskal J.B., Wish M. Multidimensional scaling // Sage University paper series: Qualitative applications in the social sciences. 1978. 11.nr.

4. Harman G. Laimes faktoru analīze. M .: Statistika, 1972.489 s.

5. Orlovs A.I. Piezīmes par klasifikācijas teoriju. / Sociologija: metodologija, metody, matematicheskie modeli. 1991. Nr.2. S.28-50.

6. Orlovs A.I. Klasifikāciju matemātiskās teorijas pamatresursi // Kubanas Valsts lauksaimniecības universitātes polimātiskā tīkla elektroniskās zinātnes žurnāls. 2015. Nr. 110. S. 219-239.

7. Orlovs A.I. Klasifikācijas teorijas matemātiskās metodes // Kubanas Valsts Agrārās universitātes politematiskā tīkla elektroniskās zinātnes žurnāls. 2014. Nr. 95. S. 23 - 45.

8. Terehina A.Ju. Datu analīze ar daudzdimensiju mēroga metodēm. - M: Nauka, 1986.168 s.

9. Perekrest V.T. Sociālās "jaunās ekonomiskās informācijas: matemātiskās ziņas un klīniskās" metožu nelineārā topoloģiskā analīze. - L .: Nauka, 1983.176 s.

10. Tjurins Ju.N., Litvak B.G., Orlovs A.I., Satarovs G.A., Shmerling D.S. Analiz nechislovoj informacii. M .: Zinātniskā padome PSSR par sarežģītām problēmām "Kibernētika", 1981. - 80 lpp.

11. Orlovs A.I. Vispārīgi uzskati par objektu statistiku dabā, kas nav cilvēks // Necilvēciskās informācijas analīze sociālajās zinātnēs. - M .: Nauka, 1985. S. 58-92.

12. Orlovs A.I. Pamatfunkciju skaita bāze regresijā netika sadalīta vienādi.

13. Orlovs A.I. Regresijas modeļu izstrādes centrs // Galvenā statistikas analītiķa algoritmiskais un programmatiskais pārklājums. Zinātnieki par picki pēc statistikas, t.36. - M .: Nauka, 1980. S. 92-99.

14. Orlovs A.I. Asimptotika nekotoryh ocenok razmernosti modeli in regresion // Prikladna statistika. Včeni zapiski pēc statistikas, t.45. - M .: Nauka, 1983. S. 260-265.

15. Orlovs A.I. Par regresijas polinomas definīciju // Factory laboratoria. Materiālu diagnostika. 1994. T. 60. Nr.5. S.43-47.

16. Orlovs A.I. Daži iespējamie jautājumi teorii klasifikacii / / Prikladna statistika. Včeni zapiski pēc statistikas, t.45. - M .: Nauka, 1983. S. 166-179.

17. Orlovs A.I. Par rakstu izstrādi no neskaitliskiem objektiem // Eksperimentu dizains un datu analīze: jaunas tendences un rezultāti. - M .: ANTAL, 1993. R. 52-90.

18. Orlovs A.I. Izmēra samazināšanas metodes // Grāmatas 1. pielikums: Tolstova Yu.N. Galvenā daudzdimensionālā skala: Izglītības metode augstskolām. - M .: Izdatel "stvo KDU, 2006. - 160 s.

19. Orlovs A.I. Asimptotika reshenij jekstremal "them statisticheskich zadach // Analiz nechislovych dannych v sistemnyh issledovaniyah. Sbornik trudov. Vyp.10. - M .: Vsesojuznyy science issledovatel" skijitut sisantemnys instovaniya.

20. Orlovs A.I. Organizatoriski-yoekonomichee modelis: uchebnik: v 3 ch. Časts "1: Nečislovaja statistika. - M .: Izd-vo MGTU im. N. Je. Baumana. - 2009. - 541 s.

21. Lucenko E.V. Sistēmiski kognitīvās analīzes automatizācija aktīvo objektu pārvaldībā (informācijas sistēmas teorija un informācijas glabāšana pirmsekonomiskajā, sociālpsiholoģiskajā, tehnoloģiskajā). 605 s. http://elibrary.ru/item.asp?id=18632909

Datu samazināšana

Analītiskajās tehnoloģijās, lai samazinātu doto datu lielumu, tiek ņemts vērā konvertēšanas process uz formu, kas ir visvairāk rokasgrāmata analīzei un interpretācijai. Izsauciet to, lai sasniegtu pārmaiņu rakhunok їх obsyagu, ātru kilkostі vikoristovuvanih zīmi un rozmaittya їkh nozīmi.

Bieži vien datu analīze ir neizprotama, ja smirdoņa ir pretīga, lai attēlotu iepriekšējo biznesa procesu nekārtības un likumsakarības. Iemesli tam var būt piesardzības trūkums, zīmju klātbūtne, kas redzama objektu autoritātes suttā. In a tsiom vipadku stagnē zbagachennya danih.

Telpas lieluma samazināšanās stagnē vypadku prototipā, ja norādīts iepriekš. Pārbaudes pārsvars ir tāds, ka analīzi var veikt ar tādu pašu efektivitātes un precizitātes līmeni un jo mazāks ir datu apjoms. Tas ļauj paātrināt vitrati aprēķināšanas biežumu uzdevumu risināšanai, ģenerējot datus un rezultātus no analīzes, kas ir interpretējamāki un saprātīgāki corystuvach.

Ciparu ātrums ir brīdinājums tiem, kas būs sastinguši, jo porainās kvalitātes šķīdums var tikt samazināts līdz vibrējošam menshy obsyagu, kas paši nokārtojuši šo laiku vitrati. Īpaši svarīgi ir algoritmiem, kas nemēro, ja ierakstu skaita ātrums ir mazs, lai ciparu pulksteņa vitrātos radītu sutta vigrash.

Ātrs skaitlis nozīmē diriģenta sajūtu, ja informācija ir nepieciešama skaidrai uzņēmuma versijai, lai izmantotu noteiktu zīmju skaitu un ir nepieciešams vikoristovuvatyh usi. Tas ir īpaši svarīgi korelācijas zīmei. Piemēram, zīmes "Vīk" un "Robotu pieredze" būtībā nes tieši to informāciju, ka kādu no tiem var ieslēgt.

Visefektīvākais veids, kā paātrināt pazīmju skaitu, ir faktoru analīze un galveno komponentu metode.

Daudzpusības ātrums ir sajūtas pazīme, piemēram, jo ​​datu prezentācijas precizitāte ir nepārvarama un runas nozīmes maiņa var būt uzvaroša, nezaudējot modeļa kvalitāti. Taču tajā pašā laikā mainīsies gan atmiņas apjoms, gan dāvaniņu kopšana, gan vitrātu skaits.

Ņemot vērā lielu naudu, atteiktu strauju izmaiņu rezultātā, neesmu pārliecināts par cita veida informāciju, jo tas ir nepieciešams uzdevumu risināšanai noteiktās precizitātes dēļ un ātrā reižu skaita dēļ.

Analītiskais modelis, kas motivēts, pamatojoties uz ātru datu kopu, ir vienkāršāks apstrādei, ieviešanai un izlūkošanai, bet modelis ir motivēts ar gatavu komplektu.

Lēmums par vibrācijas metodi mērīšanas paātrināšanai ir balstīts uz aprīļa zināšanām par jaunatnes personāla īpatnībām un rezultātiem, kā arī pulksteņu un aprēķina resursu savstarpējo savienojumu.

Mashinne navchannya - tse nav sho іnshe, kā navchannya apgabals, jo tas ļauj datoriem “lasīt” kā cilvēkiem, bez īpašas programmas nepieciešamības.

Arī modelis nav prognozēts: modeļa prognozēšana ir viss process, kas ļauj prognozēt rezultātus, pamatojoties uz darbību prognozētājiem. Prognozētāju skaits ir svarīgs funkcijām, kuras ir iekļautas atlikušā rezultāta, tas ir, modeļa rezultāta, grupā.

Kā tas maina telpas lielumu?

Darbgaldu klasifikācijas darbinieku vidū klasifikācija bieži ir vēl bagātīgāka. Iedzīvotāji nav svarīgi, tos sauc par zīmēm. Ar vairākām funkcijām, salokāmāku trenuval komplekta vizualizāciju un pratsyuvati virs tā. Dažos gadījumos pastāv liels skaits starpsavienojuma funkciju, arī virs pasaules. Tse de algoritmi telpas lieluma maiņai ieiet grupā. Izmēra maiņa ir cena par analizēto vērtību skaita maiņu, veicot pamata izmaiņu kopumu. Jūs varat izvēlēties no dažādām specialitātēm un specialitātēm.

Kāpēc izmaiņas telpā ir svarīgākas par darbgaldu un paredzamo modeli?

Intuitīvi baismīgās klīrensa izmaiņas var apspriest ar vienkāršu elektroniskā pasta klasifikācijas izveidošanu, ir nepieciešams e-pasts surogātpasts chi ni. Jūs varat iekļaut lielisks skaitlis funkcija, piemēram, ir neliela elektroniska lapa, virsraksts, elektroniska lapa, elektroniska lapa, veidne utt. Tomēr dažas no šīm funkcijām var tikt mainītas, var tikt apvienotas vienā galvenajā īpašībā, apvainojuma smaržā. no iekšējiem orgāniem korelē ar augsto pasauli. Tātad, mēs varam mainīt kādu no šādu darbinieku funkcijām. Ir svarīgi saprast triviālās klasifikācijas problēmu, jo to var izveidot vienkāršā divdimensiju telpā, bet viendimensionālu uzdevumu - vienkāršā rindā. Vadība zem mazajiem ir vizuāls jēdziens, de triviālā telpa tiek apzīmēta kā divas viena veida telpas, un, ja šķiet, ka smaka ir korelēta, zīmju skaitu var mainīt vēl vairāk.

Lieluma izmaiņu sastāvdaļas

Klīrensa izmaiņām ir divas sastāvdaļas:

• Vibrācijas parametri: Tajā pašā laikā ir daudz informācijas par ziemas funkciju komplektu, kuru var samazināt līdz mazākam funkciju skaitam, jo ​​jūs varat uzvarēt problēmas modelēšanā. Nosaukumā ir iekļauti trīs veidi:
  1. Filtrs
  2. šķeldošana
  3. vprovazheniy
• Viluchennya zīme: Cena par pāreju no lielas telpas uz zemāku telpu uz vietu ar mazāku numuru. rosmіrіv.

Izmēra maiņas metode

Rizni metodes, kā pieteikties izmēra maiņai, ietver:

• Galvenās sastāvdaļas analīze (PCA)
• Lineārā diskriminācijas analīze (LDA)
• Lietošanas diskriminācijas analīze (GDA)

Izmēra izmaiņas var būt gan lineāras, gan nelineāras, un tās var būt apburtā metode. Tālāk ir apskatīta galvenā lineārā metode, galveno komponentu analīzes rindas jeb PCA.

Galveno komponentu analīze

Cei metodi radīja Kārlis Pirsons. Uzvariet pratsyuє prātam, es vēlos, lai nodeva augstākā laikmeta plašumos tiktu iztēlota daņā zemākās pasaules atklātajā telpā, pie maksimālā vaina ir veltījuma izkliedēšana zemākās pasaules atklātajā telpā. .

Vīns ietver sezonas sākumu:

• Palieciet kopā ar mānīgo veltījumu matricu.
• Saskaitiet matricas jaudas vektorus.
• Vlasny vektori, kuru pamatā ir visspēcīgākās vērtības, varēs atjaunot lielāko daļu pagātnes veltījumu dispersijas.

Turklāt mēs esam zaudējuši mazāk jaudas vektoru, un šajā procesā dejaks varēja zaudēt naudu. Taču pats svarīgākais ir apzināties vainu, pārņemot varas vektorus, kas kļuvuši lieki.

Liela izmēra maiņa

• Tse papildu palīdzība no saspiesta danikh, і, і, іtzhe, mainiet vietu zberіgannya.
• Tse zmenshuє stunda aprēķinu.
• Tas palīdz arī redzēt liekas funkcijas, piemēram, є.

Nepilnīgas izmēra izmaiņas

• Tse var dot dziedāšanai cieņu.
• PCA ir tendence zināt gan lineārās korelācijas, gan uzvarētājus, bet dažreiz tas nav nepieciešams.
• PCA lepojas ar neveiksmi vidējā rādītāja gadījumā un neveiksmes robežu tributes komplektā.
• Mēs varam nebūt dižciltīgi, jo galvenās sastāvdaļas ir kļuvušas par praktiskumu, lielā pirksta noteikumi sastings.

Qia statcha nadana Annanija Uberoja... Ja vēlaties GeeksforGeeks vai vēlaties pievienot savus ierakstus, varat arī uzrakstīt rakstu, lai saņemtu palīdzību. [aizsargāts ar e-pastu] Apbrīnojiet savu rakstu, parādieties GeeksforGeeks mājaslapā un palīdziet tiem, kas ir radušies.