🗊Презентация Основы теории принятия решений

Категория: Устройства и комплектующие
Нажмите для полного просмотра!
Основы теории принятия решений, слайд №1Основы теории принятия решений, слайд №2Основы теории принятия решений, слайд №3Основы теории принятия решений, слайд №4Основы теории принятия решений, слайд №5Основы теории принятия решений, слайд №6Основы теории принятия решений, слайд №7Основы теории принятия решений, слайд №8Основы теории принятия решений, слайд №9Основы теории принятия решений, слайд №10Основы теории принятия решений, слайд №11Основы теории принятия решений, слайд №12Основы теории принятия решений, слайд №13Основы теории принятия решений, слайд №14Основы теории принятия решений, слайд №15Основы теории принятия решений, слайд №16Основы теории принятия решений, слайд №17Основы теории принятия решений, слайд №18Основы теории принятия решений, слайд №19Основы теории принятия решений, слайд №20Основы теории принятия решений, слайд №21Основы теории принятия решений, слайд №22
Скачать

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Основы теории принятия решений. Доклад-сообщение содержит 22 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


Основы теории принятия решений Лекция 3
Описание слайда:
Основы теории принятия решений Лекция 3

Слайд 2


Содержание Алгоритм Delta-1 Алгоритм Gamma-1 Выбор алгоритмов таксономии. Пример 1. Примеры прикладных задач таксономии: прогнозирование успеваемости; ранжирование объектов.
Описание слайда:
Содержание Алгоритм Delta-1 Алгоритм Gamma-1 Выбор алгоритмов таксономии. Пример 1. Примеры прикладных задач таксономии: прогнозирование успеваемости; ранжирование объектов.

Слайд 3


Таксономия в λ-пространстве с заданным числом таксонов Цель: распределить по W таксонам N объектов с неоднородными характеристиками. Реализация: алгоритм Delta-1. Отличие от алгоритма Forel-2: неоднородность характеристик объектов.
Описание слайда:
Таксономия в λ-пространстве с заданным числом таксонов Цель: распределить по W таксонам N объектов с неоднородными характеристиками. Реализация: алгоритм Delta-1. Отличие от алгоритма Forel-2: неоднородность характеристик объектов.

Слайд 4


Алгоритм DELTA1 Шаг 1. Ищется  - расстояние между каждой парой объектов. Шаг 2. Строится полный взвешенный неориентированный граф G(X,U), вершины которого отвечают объектам, а каждого рёбра (p,q) равен расстоянию между Xp и Xq. Шаг 3. Алгоритмом Прима ищется минимальное связывающее подмножество рёбер, остальные рёбра удаляются. Шаг 4. Полученный граф обозначить G(X,U0). Шаг 5. i=1 Шаг 6. Выбор ребра (p,q) с максимальным весом. Шаг 7. Ребро (p,q) отбрасывается: U0 = U0\(p,q). Шаг 8. Если i =W, то перейти к шагу 10, нет - к шагу 9. Шаг 9. i=i+1, перейти к шагу 6. Шаг 10. Конец алгоритма.
Описание слайда:
Алгоритм DELTA1 Шаг 1. Ищется  - расстояние между каждой парой объектов. Шаг 2. Строится полный взвешенный неориентированный граф G(X,U), вершины которого отвечают объектам, а каждого рёбра (p,q) равен расстоянию между Xp и Xq. Шаг 3. Алгоритмом Прима ищется минимальное связывающее подмножество рёбер, остальные рёбра удаляются. Шаг 4. Полученный граф обозначить G(X,U0). Шаг 5. i=1 Шаг 6. Выбор ребра (p,q) с максимальным весом. Шаг 7. Ребро (p,q) отбрасывается: U0 = U0\(p,q). Шаг 8. Если i =W, то перейти к шагу 10, нет - к шагу 9. Шаг 9. i=i+1, перейти к шагу 6. Шаг 10. Конец алгоритма.

Слайд 5


ПРИМЕР
Описание слайда:
ПРИМЕР

Слайд 6


САМОСТОЯТЕЛЬНО Пользуясь DINA 1, распределить по двум таксонам 5 объектов, каждый из которых обладает двумя разнородными характеристиками, заданными таблицей:
Описание слайда:
САМОСТОЯТЕЛЬНО Пользуясь DINA 1, распределить по двум таксонам 5 объектов, каждый из которых обладает двумя разнородными характеристиками, заданными таблицей:

Слайд 7


САМОСТОЯТЕЛЬНО Изменить алгоритм Delta-1 таким образом, чтобы минимизировать верхнюю границу числа объектов, принадлежащих одному таксону (т.е. сделать распределение объектов между таксонами равномерным). Реализовать программно обе версии алгоритма.
Описание слайда:
САМОСТОЯТЕЛЬНО Изменить алгоритм Delta-1 таким образом, чтобы минимизировать верхнюю границу числа объектов, принадлежащих одному таксону (т.е. сделать распределение объектов между таксонами равномерным). Реализовать программно обе версии алгоритма.

Слайд 8


Парное сравнение алгоритмов таксономии алгоритмом Gamma-1.
Описание слайда:
Парное сравнение алгоритмов таксономии алгоритмом Gamma-1.

Слайд 9


Обозначения и определения Назначение алгоритма Gamma-1 заключается в том, чтобы попарно сравнивать различные алгоритмы таксономии. Для формального описания этого подхода далее используются следующие обозначения: Si - таксономия, полученная i -м алгоритмом; «p» и «q»,- объекты; ri(p,q) - расстояние между «p» и «q», полученное i-м алгоритмом: (Очевидно, что  p, ri(p,p)=0). Величины ri(p,q) образуют матрицу i ( mxm матрица). ri(p,q) =0, если p и q принадлежат одному таксону и ri(p,q) =1, p и q принадлежат разным таксонам.
Описание слайда:
Обозначения и определения Назначение алгоритма Gamma-1 заключается в том, чтобы попарно сравнивать различные алгоритмы таксономии. Для формального описания этого подхода далее используются следующие обозначения: Si - таксономия, полученная i -м алгоритмом; «p» и «q»,- объекты; ri(p,q) - расстояние между «p» и «q», полученное i-м алгоритмом: (Очевидно, что  p, ri(p,p)=0). Величины ri(p,q) образуют матрицу i ( mxm матрица). ri(p,q) =0, если p и q принадлежат одному таксону и ri(p,q) =1, p и q принадлежат разным таксонам.

Слайд 10


Алгоритм Gamma-1 Шаг 1. Генерация матрицы 1. Шаг 2.. Генерация матрицы 2. Шаг 3. Определение максимального числа несовпадающих элементов  = m(m-1). Шаг 4. Генерация новой матрицы 3, каждый элемент которой r3(p,q) равен r3(p,q) = |r1(p,q)-r2(p,q) |/ . Шаг 5. Вычисление критерия F, равного сумме всех r3(p,q) и представляющего собой нормированное расстояние Хемминга между 1 и 2. Шаг 6. Конец алгоритма.
Описание слайда:
Алгоритм Gamma-1 Шаг 1. Генерация матрицы 1. Шаг 2.. Генерация матрицы 2. Шаг 3. Определение максимального числа несовпадающих элементов  = m(m-1). Шаг 4. Генерация новой матрицы 3, каждый элемент которой r3(p,q) равен r3(p,q) = |r1(p,q)-r2(p,q) |/ . Шаг 5. Вычисление критерия F, равного сумме всех r3(p,q) и представляющего собой нормированное расстояние Хемминга между 1 и 2. Шаг 6. Конец алгоритма.

Слайд 11


Парное сравнение алгоритмов таксономии Пользуясь алгоритмом Gamma-1, матрицы μ1 и μ2 которого соответственно равны: определить величину F.
Описание слайда:
Парное сравнение алгоритмов таксономии Пользуясь алгоритмом Gamma-1, матрицы μ1 и μ2 которого соответственно равны: определить величину F.

Слайд 12


Выбор алгоритма таксономии Пусть Si - таксономия m объектов, полученная i-м алгоритмом, Fi,j - нормированное расстояние Хемминга между i-м и j-м алгоритмами таксономии, полученное алгоритмом Gamma 1. Тогда характеристикой каждого i-го алгоритма Fi является сумма: Лучшим является q-й алгоритм, для которого справедливо:
Описание слайда:
Выбор алгоритма таксономии Пусть Si - таксономия m объектов, полученная i-м алгоритмом, Fi,j - нормированное расстояние Хемминга между i-м и j-м алгоритмами таксономии, полученное алгоритмом Gamma 1. Тогда характеристикой каждого i-го алгоритма Fi является сумма: Лучшим является q-й алгоритм, для которого справедливо:

Слайд 13


Пример 1: условия Определить, пользуясь Gamma 1, наилучший и наихудший из трех алгоритмов таксономии, матрицы μ1, μ2 и μ3 которых соответственно равны: μ1= μ2= μ3=
Описание слайда:
Пример 1: условия Определить, пользуясь Gamma 1, наилучший и наихудший из трех алгоритмов таксономии, матрицы μ1, μ2 и μ3 которых соответственно равны: μ1= μ2= μ3=

Слайд 14


Пример 1: решение Вычисление характеристик каждого i-го алгоритма Fi (i=1,2,3): Μ12= F12 =0,5; M13 = F13=0,75; M23= F23=0,75. F1= F12 +F13 =1,25; F2= F12 +F23=1,25; F3= F13 +F23=1,5; Лучшие алгоритмы- первый и второй, худший – третий.
Описание слайда:
Пример 1: решение Вычисление характеристик каждого i-го алгоритма Fi (i=1,2,3): Μ12= F12 =0,5; M13 = F13=0,75; M23= F23=0,75. F1= F12 +F13 =1,25; F2= F12 +F23=1,25; F3= F13 +F23=1,5; Лучшие алгоритмы- первый и второй, худший – третий.

Слайд 15


Примеры прикладных задач таксономии Прогнозирование успеваемости. Ранжирование студентов.
Описание слайда:
Примеры прикладных задач таксономии Прогнозирование успеваемости. Ранжирование студентов.

Слайд 16


Прогнозирование успеваемости – содержательная постановка задачи. Задана матрица, содержащая данные об оценках 3-х студентов по трем дисциплинам и одного – по первым двум. Требуется для последнего студента найти аналога среди первых двух, чтобы спрогнозировать его успеваемость по третьей дисциплине.
Описание слайда:
Прогнозирование успеваемости – содержательная постановка задачи. Задана матрица, содержащая данные об оценках 3-х студентов по трем дисциплинам и одного – по первым двум. Требуется для последнего студента найти аналога среди первых двух, чтобы спрогнозировать его успеваемость по третьей дисциплине.

Слайд 17


Решение задачи прогнозирования Исходная матрица Нормированная матрица Расстояния от первого ученика до остальных: r(1,2)=0,7; r(1,3)=0,5; r(1,4)=0,5. Прогнозируемая оценка: 3,5. Выбранные аналоги – третий и четвертый студенты.
Описание слайда:
Решение задачи прогнозирования Исходная матрица Нормированная матрица Расстояния от первого ученика до остальных: r(1,2)=0,7; r(1,3)=0,5; r(1,4)=0,5. Прогнозируемая оценка: 3,5. Выбранные аналоги – третий и четвертый студенты.

Слайд 18


Ранжирование студентов по успеваемости - условия Задана матрица М, содержащая данные об оценках 5-х студентов по трем дисциплинам. Требуется ранжировать их относительно отличника. М = Предложите a priori Вашу версию ранжирования.
Описание слайда:
Ранжирование студентов по успеваемости - условия Задана матрица М, содержащая данные об оценках 5-х студентов по трем дисциплинам. Требуется ранжировать их относительно отличника. М = Предложите a priori Вашу версию ранжирования.

Слайд 19


Ранжирование студентов по успеваемости - нормирование Нормированная матрица М1 (шестой студент – эталон): М1 =
Описание слайда:
Ранжирование студентов по успеваемости - нормирование Нормированная матрица М1 (шестой студент – эталон): М1 =

Слайд 20


Ранжирование студентов по успеваемости - упорядочение Расстояния от i-го студента до шестого (0<i<6): r(1,6)=0,74868; r(2,6)=0,46669; r(3,6)=0,67; r(4,6)=0,5715; r(5,6)=1. Ранжирование студентов: π = {2, 4, 3, 1, 5}
Описание слайда:
Ранжирование студентов по успеваемости - упорядочение Расстояния от i-го студента до шестого (0<i<6): r(1,6)=0,74868; r(2,6)=0,46669; r(3,6)=0,67; r(4,6)=0,5715; r(5,6)=1. Ранжирование студентов: π = {2, 4, 3, 1, 5}

Слайд 21


САМОСТОЯТЕЛЬНО Ранжировать относительно двоечника учеников, успеваемость которых описывается матрицей М: М =
Описание слайда:
САМОСТОЯТЕЛЬНО Ранжировать относительно двоечника учеников, успеваемость которых описывается матрицей М: М =

Слайд 22


САМОСТОЯТЕЛЬНО Определить прогноз оценки первого ученика по третьей дисциплине, полагая, что: Эта оценка неизвестна; Исходные данные приведены в матрице М на предыдущем слайде.
Описание слайда:
САМОСТОЯТЕЛЬНО Определить прогноз оценки первого ученика по третьей дисциплине, полагая, что: Эта оценка неизвестна; Исходные данные приведены в матрице М на предыдущем слайде.

Скачать

Похожие презентации
Mypresentation.ru
Загрузить презентацию