Контрольные вопросы

1. В задаче кластеризации отнесение объекта, характеризуемого множеством параметров, осуществляется:

а) к одному заранее определённому аналитиком классу;

б) к одному заранее определённому аналитиком контейнеру;

в) к одному заранее неопределённому классу;

г) к одному заранее определённому экземпляру сущности.

2. Параметры, характеризующие объекты кластерного анализа, могут принимать значения из множества:

а) комплексных чисел;

б) нечётких вещественных чисел;

в) вещественных чисел;

г) лингвистических оценок.

3. Мера близости объектов в кластерном анализе характеризуется:

а) весовыми коэффициентами для пересчёта расстояний;

б) количеством объектов, входящих в кластер;

в) расстоянием между объектами из заданного набора;

г) разностью значений между параметрами объекта.

4. В иерархических дивизимных алгоритмах кластеризации на первом шаге количество кластеров определяется:

а) количеством объектов из анализируемого набора;

б) параметрами, характеризующими алгоритмы кластеризации;

в) требованиями из поставленной задачи кластеризации;

г) требованиями лица принимающего решения.

5. В неиерархических алгоритмах процедура разбиения объектов на кластеры завершается при выполнении условия:

а) количество объектов в кластерах не меньше заданного значения;

б) расстояния между кластерами имеют минимальное значение;

в) количество сформированных кластеров равно заданному значению;

г) центры и границы сформированных кластеров не меняются.

Литература

1. Барсегян А.А. Методы и модели анализа данных: OLAP и Data Mining / Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. – СПб.: БХВ-Петербург, 2004. – 336 с.

2. Ларсон Б. Разработка бизнес-аналитики в SQL Server 2005. – СПб.: Питер, 2008. – 684 с.

3. Microsoft SQL Server 2008: Data mining – интеллектуальный анализ данных. Пер. с англ. / Дж. Макленнен, Чж. Танг, Б. Криват. – БХВ-Петербург. 2009. – 720 с.

4. Мандель И.Д. Кластерный анализ. ­– М.: финансы и статистика. 1988. – 176 с.

Лекция 9. Классификация и регрессия

В лекции излагаются основы решения задач классификации с использованием математических функций и деревьев решений. Обсуждаются методы и алгоритмы построения деревьев решений.

Цель лекции – приобретение учащимися первоначальных знаний постановки задач классификации и их решения с применением инструментальных программных средств.

Задачи классификации и регрессии связаны с определением значений зависимой переменной объекта по значениям независимых переменных, характеризующих объекты [1,2]. Формальная постановка задачи осуществляется следующим образом. Дано множество объектов:

,

где – объект проведения анализа.

Объекты множества характеризуются одним и тем же набором переменных (атрибутов):

,

где – независимая переменная, значение которой известно; – зависимая переменная, принимающая значения на множестве .

Переменные принимают значения из множества . Множество может быть множеством (подмножеством) натуральных , целых или вещественных чисел. Если множество значений зависимой переменной конечное, то решается задача классификации. В случае решается задача регрессии [1].