Разновидности входных данных

Кластерный анализ.

Кластерный анализ — многомерная статистическая операция, выполняющая сбор данных, содержащих информацию о выборке объектов, и потом упорядочивающая объекты в сравнительно однородные группы. Задача кластеризации относится к статистической обработке, а также к широкому классу задач преподавания в отсутствии учителя. Большая часть исследователей склоняются к тому, что в первый раз термин «кластерный анализ» был предложен математиком Р. Трионом. Потом появился ряд определений, которые в текущее время принято считать синонимами термина «кластерный анализ»: автоматическая классификация, ботриология.

Диапазон применений кластерного анализа чрезвычайно широкий: его употребляют в археологии, медицине, психологии, химии, биологии, государственном правлении, филологии, антропологии, маркетинге, социологии и прочих дисциплинах. Однако многосторонность внедрения дала почву возникновению огромного числа несопоставимых определений, способов и подходов, затрудняющих однозначное использование и непротиворечивую интерпретацию кластерного анализа.

Главные задачи:

- Разработка типологии либо классификации.

- Исследование нужных концептуальных схем группирования объектов.

- Порождение гипотез на базе исследования данных.

- Проверка гипотез либо исследования для определения, действительно ли разновидности (категории), выделенные каким-нибудь методом, находятся в наличествующих данных.

Вне зависимости от предмета исследования использование кластерного анализа подразумевает последующие этапы:

- Отбор выборки для кластеризации. Предполагается, что целесообразно кластеризовать исключительно количественные данные.

- Определение огромного количества переменных, по которым станут оцениваться объекты в выборке, другими словами признакового пространства.

- Вычисление значений той или иной меры однообразия (либо отличия) между объектами.

- Использование способа кластерного анализа для создания групп схожих объектов.

- Проверка правдивости итогов кластерного решения.

Признаковое описание объектов. Любой объект описывается комплектом собственных характеристик, именуемых признаками. Признаки могут быть числовыми либо нечисловыми.

Матрица расстояний между объектами. Любой объект описывается расстояниями до всех других объектов метрического пространства.

Матрица сходства между объектами. Предусматривается степень однообразия объекта с иными объектами подборки в метрическом месте. Однообразие здесь дополняет расстояние между объектами до 1.

В прогрессивной науке используется несколько алгоритмов обработки входных данных.

Дата добавления: 2015-08-31