Участник:Александр Двойнев/Метод потенциальных функций с размещением реперных объектов в 1 классе

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Аннотация)
Строка 4: Строка 4:
<tex>a:S \to Y,</tex> аппроксимирующий целевую зависимость <tex>y^*(s)</tex> на всём множестве <tex>S</tex>.
<tex>a:S \to Y,</tex> аппроксимирующий целевую зависимость <tex>y^*(s)</tex> на всём множестве <tex>S</tex>.
-
Метод потенциальных функций яляется метрическим
+
Метод потенциальных функций яляется [[метрический классификатор|метрическим методом]]. Основная идея метода состоит в том, что объектам из обучающей выборки присваивается "заряд", который "притягивает" классифицируемый объект к соответствующему классу.
==Описание работы модели==
==Описание работы модели==
 +
 +
Пусть для каждого из классов <tex>K_1,\ldots,K_l</tex> модель по поступившему объекту <tex>x \in S</tex> вычисляет оценки <tex>\Gamma_1(x),\ldots,\Gamma_l(x)</tex> по правилу
 +
::<tex>\Gamma_j(x)=\sum_{i=1}^m[y_i=j]\omega_iK(x,s_i), </tex>
==Описание вычисления оценок==
==Описание вычисления оценок==
Строка 16: Строка 19:
== Список литературы ==
== Список литературы ==
*Воронцов К.В. Лекции по метрическим алгоритмам классификации
*Воронцов К.В. Лекции по метрическим алгоритмам классификации
 +
 +
<!-- {{Stub|}} -->

Версия 09:46, 15 декабря 2008

Содержание

Аннотация

Пусть имеется пространство объектов S и конечное множество имён классов Y, |Y|=l. На множестве S задана функция расстояния \rho:S \times S \to [0,\infty). Существует целевая зависимость y^*:S \to Y, значения которой известны только на объектах обучающей выборки S^m = (s_i,y_i)_{i=1}^m, \; y_i=y^*(s_i). Требуется построить алгоритм классификации a:S \to Y, аппроксимирующий целевую зависимость y^*(s) на всём множестве S.

Метод потенциальных функций яляется метрическим методом. Основная идея метода состоит в том, что объектам из обучающей выборки присваивается "заряд", который "притягивает" классифицируемый объект к соответствующему классу.

Описание работы модели

Пусть для каждого из классов K_1,\ldots,K_l модель по поступившему объекту x \in S вычисляет оценки \Gamma_1(x),\ldots,\Gamma_l(x) по правилу

\Gamma_j(x)=\sum_{i=1}^m[y_i=j]\omega_iK(x,s_i),

Описание вычисления оценок

Параметры модели

Ссылки

Список литературы

  • Воронцов К.В. Лекции по метрическим алгоритмам классификации


Личные инструменты