Принятие решений

Каждая прямая регрессии (, ) проходит через средние точки соответствующего класса. Из уравнений (2.15) имеем

border=0 cellspacing="0" cellpadding="0" align="center">

Рис. 2.8

Неизвестные коэффициенты a, b и c, d в системах (2.16) определяются методом наименьших квадратов (МНК), минимизирующим сумму квадратов отклонений от каждой прямой регрессии.

Для системы уравнений (2.16a) имеем

. (2.17a)

Для удобства введем обозначение:

. (2.17б)

Минимум функции находится из необходимых условий ее экстремума:

, .

Продифференцировав функцию по a и b и приравняв полученные выражения частных производных к нулю, после простых алгебраических операций получим систему нормальных уравнений

(2.18)

Из системы (2.18) легко находятся оценки параметров a и b, являющиеся функциями наблюдений:

, .

Доказано, что при значениях a и b, определяемых из уравнений (2.18), функция (2.17) имеет минимум.

Аналогично методом наименьших квадратов из уравнений (2.16б) оцениваются значения параметров с, d.

Таким образом, получаются уравнения линий регрессий, описывающих классы w1 и w2,

,

Поиск уравнения регрессии для каждого класса относится к процессу обучения. Чтобы отнести испытуемое наблюдение X к одному из имеющихся классов, необходимо вычислить расстояния от точки X до линий регрессий и , r (x,), r (x,) соответственно.

Если r (X,) < r (X,), то Х относится к классу w1.

Если r (X,) < r (X,), то X относится к классу w2.

Если

r (X,) = r (X,), (2.19)

то X можно отнести к любому из классов w1, w2. Уравнение (2.19) – уравнение границы классов w1, w2, уравнение биссектрис углов между прямыми и . Если линии регрессиии параллельны, то границей классов w1, w2 является прямая Г, параллельная прямым , и равноудаленная от них.

Регрессионный алгоритм неприменим, если один из классов попадает в точку пересечения линий регрессии (рис. 2.9). В этом случае РА дает большую ошибку, значительная часть точек класса w2 по правилу классификации относится к классу w1.

При в случае линейной регрессии имеем систему уравнений:

, i = 1, 2, …, n1.

Оценки для неизвестных параметров a1, a2, …, ap находятся методом наименьших квадратов.

Одна из основных задач регрессионного анализа – задание уравнения регрессии

, ,

наиболее согласующегося с исходными наблюдениями (2.9). Проверка такой согласованности проводится по статистическим критериям.

В научно-практических исследованиях широко используются такие виды регрессий, как полиномиальные, экспоненциальные, логарифмические, тригонометрические и др.

2.6 Классификация как задача статистической проверки гипотез

Рассматривается классификация в режиме с обучением. Для простоты и наглядности положим k = 2, p = 2. Классы w1, w2 представлены своими обучающими выборками (2.9). Кроме того, известен закон распределения вероятностей значений признаков в каждом классе, т.е. заданы функции распределений вероятностей:

, .

Предположим, что

, ,

где f1(X), f2(X) – функции плотностей вероятностей в классах w1, w2 соответственно (рис. 2.10).

Наблюдаемый объект может принадлежать только одному из двух классов w1 или w2. Необходимо сформулировать правило, по которому вектор X был бы отнесен к w1 или к w2 с минимальной вероятностью ошибки классификации Pош.

Страница:  1  2  3  4  5  6  7  8  9  10  11  12 


Другие рефераты на тему «Менеджмент и трудовые отношения»:

Поиск рефератов

Последние рефераты раздела

Copyright © 2010-2024 - www.refsru.com - рефераты, курсовые и дипломные работы