122. Приведение матрицы исходных данных в сопоставимый вид при построении многомерной средней.

Нормирование исходных данных - приводит значения всех исходных признаков к такой форме, чтобы можно было совершать любые математические операции.

Абсолютные величины преобразовываются в относительные.

Способы нормирования исходных данных:

1. Сравнение с оптимальным значением признака.

2. Сравнение с min значением признака.

3. Сравнение со средней величиной.

4. С помощью нормированных отклонений.

122. Нормирование исходных данных.

Нормирование исходных данных - приводит значения всех исходных признаков к такой форме, чтобы можно было совершать любые математические операции.

Абсолютные величины преобразовываются в относительные.

Способы нормирования исходных данных:

1. Сравнение с оптимальным значением признака.

2. Сравнение с min значением признака.

3. Сравнение со средней величиной.

4. С помощью нормированных отклонений.

123. Назначение кластерного анализа.

Кластерный анализ - метод выделения в исходной совокупности ед., однородных в некотором отношении.

Назначение - классификация ед. совокупности, объединение однородных ед.

124. Функции близости.

Мера близости предполагает учет всех без исключения признаков, характеризующих ед. совокупности.

125. Алгоритмы объединения.

1. Иерархический кластерный анализ - получив матрицу функции близости каждого объекта с каждым, на 1ом шаге в 1ом кластере объединены те ед., которые имеют между собой min значения функции близости.

2. Метод k-средних (кластерный анализ с обучением) - заранее устанавливается, сколько должно быть кластеров, и по каждому кластеру находятся центры тяжести (т.е. средние значения признака).

124. Иерархический кластерный анализ (кластерный анализ без обучения).

Иерархический кластерный анализ - получив матрицу функции близости каждого объекта с каждым, на 1ом шаге в 1ом кластере объединены те ед., которые имеют между собой min значения функции близости.

Иерархические методы предполагают последовательное объединение объектов в кластеры по степени их близости друг к другу или, напротив, последовательное разбиение совокупности объектов на все более мелкие кластеры.

В этом случае кластерное решение представляет собой иерархическую структуру вложенных друг в друга кластеров.

125. Выбор итерации, соответствующей оптимальному разбиению.

В качестве оптимальной рассматривается та итерация, которая предшествует резкому скачку значения функции близости.

Max величина данного отношения - оптимальная.

126. Метод k-средних (кластерный анализ с обучением).

Заранее устанавливается, сколько должно быть кластеров, и по каждому кластеру находятся центры тяжести (т.е. средние значения признака).

Кластеризация «с обучением» предполагает, что количество классов известно заранее, и имеется обучающая выборка - набор объектов, для которых известно, к каким классам они принадлежат.

Остальные объекты классифицируются по степени их близости к объектам из выборки обучающей .