Microsoft Word Q12. 14Torpaqlarin mehsuldarliqinin ekspert sistemle teyin edilmesinew docx
Yüklə 0,65 Mb. Pdf görüntüsü
|
- Bu səhifədəki naviqasiya:
- 2.4. Klaster-analizin elementl əri.
sözlə, kodlaşdırıcı qurğu real obyekti parametrlərdən ibarət obyektə çevirərkən eyni real obyekti həmişə eyni parametrlər obyektinə çevirir. Aydındır ki, belə fərziyyə həmişə ədalətli ola bilməz. Çünki, ixtiyari kodlaşdırıcı qurğunun özü ş uma malikdir və bundan başqa obyektin özü öz təbiətinə görə güclü şuma malik ola bilər. Bütün bunlar x 1 ,…x n əlamətlər çoxluğuna n ölçülü təsadüfi kəmiyyət kimi baxmağa imkan verir. Bundan əlavə, bu və ya digər obyektin meyüdana gəlməsi öz növbəsində ehtimal qanunlarına tabe ola bilər. Başqa sözlə, bu və ya digər qrupa aid edilən obyektin meydana gəlməsi ehtimalından danışmaq olar. Belə hesab edəcəyik ki, l ədəd n ölçülü şərti paylanma funksiyası mövcuddur (onlar qeyri-müəyyəndir) F(x/k j ). Burada x X çoxluğundan olan ixtiyari nöqtə, K j
isə göstərir ki, obyekt (təsadüfi kəmiyyət) K j (j=1,…,l) qrupuna mənsubdur. Meydana gələn obyektin j qrupuna mənsub olması ehtimalı p j -da mövcuddur (bizə məlum olmaya da bilər). Bu halda müəyyən x obyektinin tanınması məsələsini l statistik fərziyyənin (H j ) sınağı məsələsi kimi də formalaşdırmaq olar. Burada, H j (j=1,…,l) fərziyyəsi x obyektinin K j qrupuna aid edilməsi haqqında fərziyyədir. Bu halda öyrənmə çoxluğu general çoxluqdan F(x/k j ) paylanma funksiyası və p j
ehtimalına uyğun olaraq alınmış məhdud miqdarda obyektdir. Bu halda tanıma məsələsinin həlli r(x) həlledici qaydasının qurulmasından ibarətdir. R(x)=k j H j
fərziyyəsinin qəbul edildiyini müəyyən edir. Aydındır ki, fərziyyəni seçməyə imkan verən həlledici qayda elə olmalıdır ki, müəyyən keyfiyyət kriteriyası ekstremum qiymət alsın. Belə kriteriya kimi, məsələn, səhv təsnifləşdirmə ehtimalını götürmək olar. Digər tərəfdən, öyrənmə üçün ixtiyarımızda olan obyektlərin miqdarı məhdud olduğundan optimal həlledici qaydanın dəqiq qurulması demək olar ki, mümkün deyil. Həlledici qaydanın qurulmasının müxtəlif metodlarına baxaq. Bayesov həllediji qaydası. Tutaq ki, həqiqətdə x obyekti K i qrupuna mənsub olduğu halda r həlledici qaydası onu müəyyən j qrupuna aid edir. Bu vaxt meydana gələn itkini L i r
r -lə işarə edək. ∫ ∑ = = x l i i r i i r k L P M x dF 1 / ( ) olduğunu müəyyən etmək olar. Orta riskə r həlledici qaydasının keyfiyyətini xarakterizə edən funksional kimi baxılır. Optimal həlledici qayda r* orta riski minimumlaşdırmalıdır. Belə qaydanı Bayesov həlledici qaydası adlandırırlar. Ehtimalın paylanmasının approksimasiyası. Bayesov həlledici qaydasının qurulması və orta itkinin tapılması üçün öyrənmə çoxluğu əsasında F(x/k i ) paylanma funksiyası və ya P(x/k i ), I=1,…,L paylanma sıxlığı və habelə P 1 , …,P
L ehtimalları müəyyən edilməlidir. Əgər heç bir başqa aprior informasiya məlum olmazsa, bu, qeyri-parametrik məsələ olur. Adətən ehtimalın paylanmasını (paylanma sıxlığını) histoqramın köməyi ilə approksimasiya edirlər. Lakin bu metod çoxlu sayda nöqtələrin məlum olmasını tələb edir. Həm də nöqtələrin miqdarı paylanma ölçüsünün artması ilə kəskin artır. Adətən X obyektlər fəzası böyük ölçüyə malik olur, öyrənmə çoxluğunda obyektlərin miqdarı isə az olur. Buna görə də histoqramın qurulması praktiki olaraq qeyri-mümkündür. Belə hallarda approksimasiya üçün başqa proseduralar istifadə edirlər. Belə approksimasiya proseduralarının yığılan olması (ehtimal mənasında) sualı əsas yer tutur. Tanıma məsələlərinin həlli zamanı demək olar ki, çox tez-tez paylanma funksiyası F(x/k i ) ixtiyari olmayıb, parametrik verilən müəyyən funksiyalar ailəsinə mənsüb olur. Başqa sözlə ailənin bütün funsiyaları =( I ,…, k ) parametrlərindən asılı olub, eyni analitik görünüşə malik olur f=f(). I ,…,
k
parametrlərinə konkret qiymətlər verməklə bu parametrik ailənin müəyyən funksiyalarını almaq olar. Məsələn, tutaq ki, n=1 və şərti paylanma funksiyası F(x/k
i ) normaldır. Bu o deməkdir ki, paylanma sıxlığı aşağıdakı kimidir: e k k x x p x p i i α α π α α α 2 2 2 2 2 1 ) 1 ( 2 1 ) , ; / ( ) / ( − = = −
burada, 1 və
2 uyğun olaraq riyazi gözləmə və dispersiya mənasına malik olan paylanma parametrləridir. Beləliklə, paylanmanın şərti funksiyasının normal paylanma funksiyasının ikiparametrli ailəsinə mənsub olması güman edilir. 1 və
2 ümumiyyətlə, K i -dən asılıdır. Bu halda şərti paylanma funksiyasının F(x/k i ; ), (I=1,…,L) müəyyən edilməsi məsələsi, parametrik adlanır. Aydındır ki, verilmiş halda paylanma funksiyasının müəyyən edilməsi parametrlər vektorunun elə dədqiq qiymətlərinin axtarılması deməkdir ki, bu qiymətlərdə paylanmanın şərti funksiyası tanınacaq obyektlərin paylanmasının həqiqi funksiyası olur. Bu məsələni həll etmək üçün, adətən, statistikada məlum olan maksimum həqiqətəuyğunluq metodu istifadə edilir.
Ə
fəzadan olan x 1 ,…, x m obyekt qrupları da verilmişdir. Bu obyektlərin həqiqi təsnifatı qəbaqcadan məlum olduqda, x 1 ,…,x m -i öyrənmə çoxluğu adlandırırdıq. Bu halda tanıma məsələsi x obyektinin öyrənmə çoxluqları ilə təqdim olunmuş qruplardan birinə aid olunması kimi qoyulurdu. Indi məsələni mürəkkəbləşdirək. Belə hesab edək ki, x 1 ,…, x m obyektlərinin həqiqi təsnifləşməsi haqqında informasiya yoxdur. Bu halda tanıma məsələsi dedikdə x 1 ,…, x m obyektləri çoxluğunun onların oxşarlığı üzrə qruplara bölünməsi başa düşülür. Bu məsələ habelə, taksonomiya məsələsi, özü öyrənməklə tanıma məsələsi də adlandırılır. Yüklə 0,65 Mb. Dostları ilə paylaş:
|