Kacha nso agbata obi usoro: atụ nke na-arụ ọrụ

kacha nso agbata obi usoro bụ mfe metric classifier nke dabeere na nwale nke myirịta dị iche iche ihe.

Nyochaa ihe bụ nke klas nke ha nwe-achị ọzụzụ sample. Ka anyị chọpụta nke bụ kacha nso agbata obi. Gbalịa ịghọta mgbagwoju anya okwu, ihe atụ dị iche iche usoro.

amụma usoro

kacha nso agbata obi usoro nwere ike na-ewere dị ka ndị kasị algọridim na-eji maka nhazi ọkwa. Object n'ịnwụ nhazi ọkwa bụ nke klas y_i, nke ezigbo ihe na-amụta x_i sample.

Specificity ụzọ kacha nso agbata obi

k kacha nso agbata obi usoro nwere ike melite izi ezi nke nhazi ọkwa. Nyochaa ihe bụ nke otu òtù dị ka nnukwu nke ya agbata obi, ya bụ, k ya nso ya ekweghị nke nyochaa sample x_i. Na idozi nsogbu na klas abụọ nke ọnụ ọgụgụ ndị agbata obi ga-adị iberibe zere a ọnọdụ ngwọju-anya ọbụla, ma ọ bụrụ na otu nọmba nke ndị agbata obi ya ga-abụ dị iche iche ọmụmụ.

Usoro nke kwụsịtụrụ agbata obi

PostgreSQL-nyochaa usoro tsvector kacha nso agbata obi na-eji mgbe ndị ọnụ ọgụgụ klas dịkarịa ala atọ na, na i nwere ike iji ihe iberibe nọmba. Ma ngwọju-anya ọbụla na-ebilite ọbụna okwu ikpe ndị a. Mgbe ahụ, i-nke onye agbata obi na-akawanye w_i ibu, nke mbelata na onye agbata obi n'usoro i. Ọ na-ezo aka na klas nke ihe, nke ga-enwe a kacha ngụkọta ibu n'etiti nso agbata obi.

The amụma nke compactness

Na obi niile dị n'elu ụzọ bụ amụma nke compactness. Ọ na-atụ aro a njikọ n'etiti ọtụtụ nke myirịta nke akpọkwa na ha ịbụ nke otu klas. Ke idaha emi, na ókè-ala n'etiti ndị dị iche iche bụ ihe dị mfe ụdị, na ike ọmụmụ ihe na ohere kọmpat mobile ebe. N'okpuru ebe ndị dị otú na mgbakọ na mwepụ analysis ẹka pụtara a emechi bounded set. Nke a amụma na-adịghị metụtara-ahụ kwa ụbọchị banyere okwu.

Ihe bụ isi usoro

Ka anyị tụlee ihe kacha nso agbata obi. Ọ bụrụ na ndị chọrọ ọzụzụ sample ụdị "ihe-omume» X ^ m = \ {(x_1, y_1), \ ntụpọ, (x_m, y_m) \}; ma ọ bụrụ na a plurality nke ihe na-akọwa anya ọrụ \ rho (x, x '), nke na-anọchi anya na ụdị ihe zuru ezu nlereanya myirịta nke ihe site na ịba ụba uru nke ọrụ mbelata myirịta dị n'etiti ihe x, x'.

N'ihi na ihe ọ bụla ihe, ị ga-ewu a ọzụzụ sample ya ekweghị x_i na-amụba anya ka ị:

\ Rho (u, x_ {1; ị}) \ leq \ rho (u, x_ {2; ị}) \ leq \ cdots \ leq \ rho (u, x_ {m; ị}),

ebe x_ {i; ị} e ji mara ihe mmụta sample, nke bụ i-nke onye agbata obi iyi ihe u. Dị otú ahụ notation na ojiji-aza i-nke onye agbata obi: y_ {i; ị}. Dị ka a N'ihi ya, anyị na-ahụ na ihe ọ bụla ihe ị na-akpalite renumbering nke sample.

Mkpebi siri ike nke nọmba k nke ndị agbata obi

kacha nso agbata obi eme ihe mgbe k = 1 bụ ike nke na-enye na-ezighị ezi nhazi ọkwa, ọ bụghị naanị na ihe-umu anwuru, ma n'ihi na klas ndị ọzọ na-nso.

Ọ bụrụ na anyị na-k = m, algọridim ga-adị ka mụ na ga dakpọọ n'ime a mgbe nile uru. Ọ bụ ya mere a pụrụ ịdabere dị mkpa izere oké indices k.

Na omume, dị ka ezigbo index k eji criterion eji akara.

screenings anwuru

The ihe nke ọmụmụ bụ n'ụzọ dị ukwuu ahaghị, ma n'etiti ha, e nwere ndị nwere àgwà nke a na klas na-ezo dị ka ụkpụrụ. Na idi nso nke isiokwu na-ezigbo ihe nlereanya nke ya elu puru nke nke a na klas.

Olee rezultativen usoro nke kacha nso agbata obi? Otu ihe atụ nwere ike hụrụ na ndabere nke elu ma na-abụghị ihe ọmụma na edemede nke ihe. Ọ na-ẹkekerede na ok gburugburu ebe obibi nke ihe ndị ọzọ na-anọchite anya nke a na klas. Mgbe ị na-ewepụ ha si nhazi ọkwa nke nlele àgwà ga-ata ahụhụ.

Ga-esi n'ime a ụfọdụ ọnụ ọgụgụ nke samples ike mkpọtụ-achịkwaghị achịkwa na-"n'ala" nke a na klas. Iwepụ n'ụzọ nti mmetụta na àgwà nke nhazi ọkwa.

Ọ bụrụ na ndị sample-e si uninformative na iwepụ mkpọtụ akpọkwa, i nwere ike ịgụ na a ole na ole ezi ihe n'otu oge.

The mbụ interpolation usoro nke kacha nso agbata obi nhazi ọkwa na-enye ohere iji melite ogo, belata ego nke echekwara data, belata oge nke nhazi ọkwa, nke a na-nọrọ na oke nke ọzọ ụkpụrụ.

The ojiji nke ultra-large samples

kacha nso agbata obi usoro dabeere na ezigbo nchekwa nke mmụta ihe. Ka ịmepụta nnọọ nnukwu-ọnụ ọgụgụ samples eji a technical nsogbu. Ebumnuche bụghị nanị na-azọpụta a ịrịba ego nke ọmụma, ma na-na kacha nta ego nke oge nwere oge iji chọta ihe ọ bụla ihe ị k n'etiti ezigbo agbata obi.

Ịnagide nke a ọrụ, abụọ na usoro na-eji:

• thinned sample via a-agbapụta n'ahụ ndị na-abụghị data akpọkwa;
• irè ojiji pụrụ iche data Ọdịdị na Koodu maka ozugbo search of kacha nso agbata obi.

Iwu nke nhọrọ ụzọ

The n'elu nhazi ọkwa e weere. Kacha nso agbata obi usoro na-eji na idozi nsogbu, nke a maara tupu anya ọrụ \ rho (x, x '). N'ịkọwa ihe ọnụọgụ Vektọ iji a Euclidean metric. Nhọrọ a nwere dịghị pụrụ iche ziri ezi, ma na-agụnye n'ihe niile ihe ịrịba ama "na otu ọnụ ọgụgụ." Ọ bụrụ na a na-akpata na-agaghị sonye na akaụntụ, mgbe ahụ metric ga ebukarịghị feature enwe kasị elu ọnụọgụ ụkpụrụ.

Ọ bụrụ na e a ọkpụrụkpụ ego nke atụmatụ, ịgbakọ anya dị ka nchikota nke deviations on kpọmkwem mgbaàmà na-egosi oké nsogbu akụkụ.

Na elu akụkụ ohere dị anya site n'ebe ibe niile ga-akpọkwa. Mee elu mee ala, ọ bụla sample ga-esote na ihe na-amu k agbata obi. họrọ a ole na ole nke ihe ọmụma atụmatụ iji kpochapụ nsogbu a. Algọridim maka ịgbakọ atụmatụ ewu na ndabere nke dị iche iche tent nke ihe ịrịba ama, na ka onye ọ bụla na-ewu ha mbọhọ ọrụ.

ọgwụgwụ

Mathematical mgbawa mgbe e ji a dịgasị iche iche nke usoro na nwere onwe ha pụrụ iche e ji mara, uru na ọghọm. E lee ya anya kacha nso agbata obi usoro nwere ike idozi nnọọ a oké nsogbu, n'ihi na e ji mara nke mgbakọ na mwepụ ihe. The ibuo echiche, dabeere na nyochara na-egosi na usoro a na-ifịk ifịk-eji na Amamịghe echiche.

Na ọkachamara na usoro ọ dị mkpa ọ bụghị nanị iji were ihe, ma na-egosi na ọrụ nkọwa nke nhazi ọkwa na ajụjụ. Na usoro a, nkọwa nke a onu na-owụt ke mmekọrita na ihe a akpan akpan klas nakwa dị ka ebe ikwu na sample eji. Legal ụlọ ọrụ ọkachamara, geologists, ndị dọkịta, were nke a "nweela" mgbagha ifịk ifịk iji ya na ha nnyocha.

Iji-nyochaa usoro kacha pụrụ ịdabere na, oru oma, na-enye ndị chọrọ results, ị ga-ewere a kacha nta ọgụgụ k, mgbe nwekwara zere umu anwuru n'etiti nyochaa ihe. Ọ bụ ya mere na ojiji nke ụkpụrụ na nhọrọ usoro, nakwa dị ka njikarịcha metrics.