Кластерной анализ - Большая Энциклопедия Нефти и Газа, статья, страница 1
Поддайся соблазну. А то он может не повториться. Законы Мерфи (еще...)

Кластерной анализ

Cтраница 1


Целью кластерного анализа является выделение в исходных многомерных данных таких однородных подмножеств, чтобы объекты в середине групп были подобны одно другому, а объекты разных групп - неподобны. Под сходством в данном случае понимается близость объектов в многомерном пространстве признаков, и задача сводится к выделению в этом пространстве натуральных сосредоточений объектов ( кластеров), которые и считаются однородными группами.  [1]

Метод кластерного анализа позволяет строить классификацию объектов посредством объединения их в группы, или кластеры, на основе критерия минимума расстояния в пространстве т показателей, описывающих объекты.  [2]

Методы кластерного анализа позволяют разбить изучаемую совокупность объектов на группы схожих объектов, называемых кластерами.  [3]

Цель кластерного анализа заключается в поиске существующих структур. Эта ситуация отличается от ситуации дискриминантного анализа, который более точно определяется как процедура идентификации. Последний приписывает объекты к уже существующим группам, а не создает новые группы. Хотя цель кластеризации и заключается в нахождении структуры, на деле кластерный метод привносит структуру в данные и эта структура может не совпадать с искомой, реальной. Кластерный метод всегда размещает объекты по группам, которые могут радикально различаться по составу, если применяются различные методы кластеризации. Ключом к использованию кластерного анализа является умение отличать реальные группировки от навязанных методом кластеризации данных.  [4]

Помимо кластерного анализа, пакет NTSYS содержит несколько многомерных статистических процедур, в том числе многомерное шкалирование и факторный анализ. Пакет программ BCTRY создан на основе книги ( Tryon and Bailey, 1970) и включает ряд методов кластеризации, отражающих подход Трайона к факторному анализу.  [5]

Целью кластерного анализа является выделение в исходных многомерных данных таких однородных подмножеств, чтобы объекты в середине групп были подобны одно другому, а объекты разных групп - неподобны. Под сходством в данном случае понимается близость объектов в многомерном пространстве признаков, и задача сводится к выделению в этом пространстве натуральных сосредоточений объектов ( кластеров), которые и считаются однородными группами.  [6]

Методами кластерного анализа выявлены группы кустов скважин, подверженных определенным типам дефектов.  [7]

Метод кластерного анализа, позволяющий строить классификацию нескольких объектов посредством объединения их в группы, или кластеры, на основе критерия минимума расстояния в пространстве определенных показателей, описывающих объекты, а также классификацию объектов на заданное число групп - кластеров.  [8]

9 Блок-схема взаимодействия элементов среды информационного моделирования. [9]

Средства кластерного анализа позволяют выделить однородные по признакам сгустки точек, называемые кластерами или таксонами. Сравнение гистограмм растровых полей для всего региона и для зон региона, относящихся к одному кластеру, позволяет сопоставить свойства кластера по отношению к свойствам всего изучаемого региона. К этому объяснению можно добавить данные о частотах принадлежности точек выборки прецедентов к зонам региона, относящимся к одному кластеру.  [10]

Часто процедуры кластерного анализа используют функции критериев ( например, сумма квадратов расстояний от центров кластеров) и ищут группировку, которая придает функции критерия экстремальные значения. Теоретически задача группировки всегда может быть решена трудоемким перебором. Однако на практике такой подход годится лишь для самых простых задач. Наиболее часто используемым подходом для поиска оптимального разделения является итеративная оптимизация. Основная идея ее заключается в нахождении некоторого разумного начального разделения и в передвижении объектов из одной группы в другую, если это передвижение улучшает функцию критерия.  [11]

Сложность задач кластерного анализа состоит в том, что реальные объекты являются многомерными, то есть описываются не одним, а несколькими параметрами ( представьте, что объекты - это персональные компьютеры), и объединение объектов в группы проводится в пространстве многих измерений, что весьма нетривиально. Кроме того, данные могут носить нечисловой характер.  [12]

Потенциальный пользователь кластерного анализа должен также обратить внимание на то, что матрицы данных часто формируются различными способами. В биологии имеет место обратный порядок, что приводит к матрице данных размерностью PXN.  [13]

Эти методы кластерного анализа весьма популярны в психологии. Они известны больше как варианты факторного анализа, обратный факторный анализ или факторизация Q-типа. Работа методов начинается с формирования корреляционной матрицы сходств между объектами.  [14]

Простые программы кластерного анализа именно таковыми и являются. Эти программы написаны главным образом на Фортране. Они обычно реализуют один или два алгоритма кластеризации. Некоторым образом они напоминают подпрограммы первой категории, определенные выше, в том, что они требуют от пользователя знания языка управления заданиями вычислительной системы и языка, на котором написаны программы. Вообще говоря, эти программы почти не имеют средств отладки программ, плохо документированы и выводят мало информации.  [15]



Страницы:      1    2    3    4