АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ - презентация, доклад, проект скачать

Нажмите для полного просмотра!

АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ, слайд №10

АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ, слайд №11

АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ, слайд №12

АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ, слайд №13

АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ, слайд №14

АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ, слайд №15

АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ, слайд №16

АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ, слайд №17

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ. Доклад-сообщение содержит 17 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

«АНАЛИЗ И ИНТЕРПРЕТАЦИЯ ДАННЫХ» Оценка качества классификации Постникова О.Е. гр. 3341

Слайд 2

Описание слайда:

Оценка качества классификации Рассмотрим случайную величину: являющейся значением решающей функции. Решение принимается сравнением U с порогом В исходной постановке задачи мы рассматривали многомерное пространство

Слайд 3

Описание слайда:

Так как решение принимается на основе одномерной величины U, то можно считать, что задача классификации сводится к редукции пространства, то есть от n-мерного пространства мы переходим к пространству Так как решение принимается на основе одномерной величины U, то можно считать, что задача классификации сводится к редукции пространства, то есть от n-мерного пространства мы переходим к пространству В исходном пространстве условные плотности – многомерные нормальные распределения:

Слайд 4

Описание слайда:

В редуцированном пространстве переходим к одномерным условным нормальным распределения величины U В редуцированном пространстве переходим к одномерным условным нормальным распределения величины U т. е. каждому многомерному распределению соответствует одномерное. - пороговое значение Проблему принятия решения сводим к одномерной задаче. Ошибки классификации могут быть определены через распределения U. C – порог

Слайд 5

Описание слайда:

Прямое вычисление ошибок в многомерном пространстве приводит к техническим трудностям, поэтому и применяется редукция пространства. Прямое вычисление ошибок в многомерном пространстве приводит к техническим трудностям, поэтому и применяется редукция пространства. Основная задача: поиске распределений плотности вероятностей значений решающей функции U. U - это линейная комбинация нормально распределенных величин, нормальная величина.

Слайд 6

Описание слайда:

Условные математические ожидании и дисперсии U по классам Условные математические ожидании и дисперсии U по классам где - расстояние Махаланобиса Посчитаем : математические ожидания ошибок

Слайд 7

Описание слайда:

Нахождении дисперсий данной величины В предположении равенства матриц ковариации в исходном пространстве, получаем, что дисперсии U также равны по классам. Т.к. матрицы ковариации одинаковые, то можно сделать вывод: DU1 = DU2 M{(V - MV)2} = M{(V - MV)T(V - MV)} D = (M1 - M2)Т∑-1(M1 - M2) = α = σ2 , где α - расстояние Махаланобиса.

Слайд 8

Описание слайда:

U может принадлежать двум нормальным распределениям: U1  N( (½), ); U2  N(- (½), ); MU1 = (1/2)α MU2 = -(1/2)α MU1 – MU2 = 

Слайд 9

Описание слайда:

 - обобщенное расстояние между классами в N-мерном пространстве.  - обобщенное расстояние между классами в N-мерном пространстве.  = (M1 - M2)T -1(M1-M2) Если  = I, то  = (M1 - M2)T(M1 - M2) = Σ(M1i - M2i)2 = ║M1 - M2║2 = d2 Если матрица диагональная, но с разными , то: - сумма взвешенных расстояний по каждой координате

Слайд 10

Описание слайда:

 хорошо описывает статистическую природу данных.  = XT -1(M1 - M2) – (½) (M1 + M2)T -1(M1 - M2) M{U/1} = (1/2)  = (M1 - M2)T -1(M1 - M2) M{U/2} = -(1/2) D[U] = M[(U - MU)2] = M[(U - MU)T(U - MU)] D[U] =  n2 = 

Слайд 11

Описание слайда:

Построим вероятности ошибок классификации Построим вероятности ошибок классификации U  C C = ln K K = (q2C(1|2) )/(q1C(2|1) ) N((1/2)αα) N(-(1/2)αα)

Слайд 12

Описание слайда:

P = q1 P(2|1) + q2 P(1|2) - вероятность полной ошибки P = q1 P(2|1) + q2 P(1|2) - вероятность полной ошибки Ф(x) – интеграл ошибок Гаусса.

Слайд 13

Описание слайда:

Полная ошибка Полная ошибка Cвойства полной ошибки: C = ln K = ln((q2C(1|2))/(q1C(2|1))) = 0 q1 = q2 = 0.5 C(1|2) = C(2|1) Pош = 0.5 Ф( ) + 0.5 [1 - Ф( )] = = 0.5 [1 - Ф( )] + 0.5 [1 - Ф( )] = 1 - Ф( ) Т.к. Ф(-х) = 1 – Ф(х)

Слайд 14

Описание слайда:

Рассмотрим α Рассмотрим α Пусть  = (M1 - M2)T -1(M1-M2) = Если i2 = 1, тогда  = Σ(M1i - M2i)2 = d2 Ошибка зависит от обобщенного расстояния d2, чем больше d2, тем меньше ошибка (так как расстояние между распределениями увеличивается).

Слайд 15

Описание слайда:

((M1i - M2i)/ i)=  - это взвешенное нормальное распределение Если  = const, тогда  будет представлять собой следующее:  = Σ2 = n 2

Слайд 16

Описание слайда:

Пусть вероятность ошибки 0,005 = 0,5%. Пусть вероятность ошибки 0,005 = 0,5%. Pош = 1 – Ф(x), где х = По таблице можно найти данную величину:  = 0.1 – это означает, что классы сильно пересекаются n = [ ] = 2700 для  = 0,1 Для  = 5 n = [ ] = 2

Слайд 17

Описание слайда:

Подбирая размерность пространства всегда можно добиться уменьшения ошибок (с ростом размерности ошибка падает). Подбирая размерность пространства всегда можно добиться уменьшения ошибок (с ростом размерности ошибка падает). P1пр = f(U|1)dU Pпр2 = f(U|2)dU Pпрср = q1 P1пр + q2 P2пр