МАРК РЕГНЕРУС ДОСЛІДЖЕННЯ: Наскільки відрізняються діти, які виросли в одностатевих союзах
РЕЗОЛЮЦІЯ: Громадського обговорення навчальної програми статевого виховання ЧОМУ ФОНД ОЛЕНИ ПІНЧУК І МОЗ УКРАЇНИ ПРОПАГУЮТЬ "СЕКСУАЛЬНІ УРОКИ" ЕКЗИСТЕНЦІЙНО-ПСИХОЛОГІЧНІ ОСНОВИ ПОРУШЕННЯ СТАТЕВОЇ ІДЕНТИЧНОСТІ ПІДЛІТКІВ Батьківський, громадянський рух в Україні закликає МОН зупинити тотальну сексуалізацію дітей і підлітків Відкрите звернення Міністру освіти й науки України - Гриневич Лілії Михайлівні Представництво українського жіноцтва в ООН: низький рівень культури спілкування в соціальних мережах Гендерна антидискримінаційна експертиза може зробити нас моральними рабами ЛІВИЙ МАРКСИЗМ У НОВИХ ПІДРУЧНИКАХ ДЛЯ ШКОЛЯРІВ ВІДКРИТА ЗАЯВА на підтримку позиції Ганни Турчинової та права кожної людини на свободу думки, світогляду та вираження поглядів Контакти
Тлумачний словник |
|
|||||||
МЕТОДИ, ЗАСНОВАНІ НА ОЦІНКАХ ЩІЛЬНОСТІ РОЗПОДІЛУ ЗНАЧЕНЬ ОЗНАКІНТЕНСІОНАЛЬНІ| МЕТОДИ
Відмітною особливістю інтенсіональних| методів є те, що як елементи операцій при побудові|шикуванні| і вживанні|застосуванні| алгоритмів розпізнавання образів|зображень| вони використовують різні характеристики ознак і їх зв'язків. Такими елементами можуть бути окремі значення або інтервали значень ознак, середні величини і дисперсії, матриці зв'язку ознак і т. п., над якими проводяться дії, що виражаються|виказують| в аналітичній або конструктивній формі. При цьому об'єкти в даних методах не розглядаються|розглядують| як цілісні інформаційні одиниці, а виступають|вирушають| в ролі індикаторів для оцінки взаємодії і поведінки своїх атрибутів. Група інтенсіональних| методів розпізнавання образів|зображень| обширна|величезна|, і її ділення|поділка| на підкласи носить до певної міри умовний характер.
Ці методи розпізнавання образів|зображень| запозичені з|із| класичної теорії статистичних рішень|вирішень|, в якій об'єкти дослідження розглядаються|розглядують| як реалізації багатовимірної|багатомірної| випадкової величини, розподіленої в просторі|простір-час| ознак по якому-небудь закону [37]. Вони базуються на байєсовській| схемі ухвалення рішень, приналежності об'єктів, що апелює до апріорної вірогідності|ймовірності|, до того або іншого розпізнаваного класу і умовної щільності розподілу значень вектора ознак. Дані методи зводяться до визначення відношення|ставлення| правдоподібності в різних областях багатовимірного|багатомірного| простору|простір-час| ознак. Група методів, заснованих на оцінці щільності розподілу значень ознак має пряме відношення до методів аналізу дискримінанта. Байесовський підхід до ухвалення рішень і відноситься до найбільш розроблених в сучасній статистиці так званих параметричних методів, для яких вважається|лічить| відомим аналітичне вираження|вираз| закону розподілу (в даному випадку нормальний закон) і потрібно оцінити лише невелику кількість параметрів (вектори середніх значень і ковариаційної| матриці). До цієї групи відноситься і метод обчислення|підрахунку| відношення|ставлення| правдоподібності для незалежних ознак. Цей метод, за винятком припущення про незалежність ознак (яке насправді практично ніколи не виконується), не передбачає|припускає| знання функціонального вигляду|виду| закону розподілу. Тому його можна віднести до непараметричних [46]. Інші непараметричні методи, вживані тоді, коли вигляд|вид| кривої щільності розподілу невідомий і не можна зробити взагалі жодних|ніяких| припущень про її характер, займають|позичають| особливе положення|становище|. До них відносяться відомі метод багатовимірних|багатомірних| гістограм, метод “до-найближчих сусідів, метод евклідова відстані, метод потенційних функцій і ін., узагальненням яких є метод, що отримав|одержував| назву “Оцінки Парзена” [46]. Ці методи формально оперують об'єктами як цілісними структурами, але|та| залежно від типа|типу| задачі|задачі| розпізнавання можуть виступати|вирушати| і в інтенсіональному| і в екстенсіональному| іпостасях. Непараметричні методи аналізують відносні кількості об'єктів, що потрапляють в задані багатовимірні|багатомірні| об'єми|обсяги|, і використовують різні функції відстані між об'єктами навчальної вибірки і розпізнаваними об'єктами [46]. Для кількісних ознак, коли їх число багато менше об'єму|обсягу| вибірки, операції з|із| об'єктами грають проміжну роль в оцінці локальної щільності розподілу умовної вірогідності|ймовірності| і об'єкти не несуть смислового навантаження самостійних інформаційних одиниць. В той же час, коли кількість ознак сумірно або більше числа досліджуваних об'єктів, а ознаки носять якісний або дихотомічний характер, то ні про які локальні оцінки щільності розподілу вірогідності|ймовірності| не може йти мові|промові|. В цьому випадку об'єкти у вказаних непараметричних методах розглядаються|розглядують| як самостійні інформаційні одиниці (цілісні емпіричні факти) і дані методи набувають|придбавають| сенсу|змісту| оцінок схожості і відмінності об'єктів, що вивчаються. Таким чином, одні і ті ж технологічні операції непараметричних методів залежно від умов задачі|задачі| мають сенс або локальних оцінок щільності розподілу вірогідності|ймовірності| значень ознак, або оцінок схожості і відмінності об'єктів. У контексті интенсионального| представлення знань тут розглядається|розглядує| перша сторона непараметричних методів, як оцінок щільності розподілу вірогідності|ймовірності|. Багато авторів відзначають, що на практиці непараметричні методи типа|типу| оцінок Парзена працюють добре [46]. Основними труднощами вживання|застосування| вказаних методів вважаються|лічать| необхідність запам'ятовування всієї навчальної вибірки для обчислення|підрахунку| оцінок локальної щільності розподілу вірогідності|ймовірності| і висока чутливість до непоказності навчальної вибірки. Читайте також:
|
||||||||
|