Особенности теории предпочтения, стандартные типы закономерностей процессов обнаружения данных. Разнообразие задач классификации, процедура ее описания. Методы исследования и виды структур данных. Основные положения и методики статистического анализа.
Аннотация к работе
Теория принятия решений 1. Бинарное отношение R на непустом множестве X есть подмножество множества всех упорядоченных пар элементов из X. Множество упорядоченных пар задается декартовым произведением X * X = {(x, y)/ xI X, y I Y}. Запись xRy означает, что пара (x, y) I R I X*X, означает Для бинарных отношений устанавливаются следующие свойства: 1. Рефлексивность. Симметричность, если из xRy следует yRx. В теории предпочтений используется два основных бинарных отношения на множестве X: 1. Отношение нестрогого предпочтения E (x E y; x либо предпочтительнее y, либо безразлично к x; y не предпочтительнее x). 2. Отношения предпочтения и безразличия » могут быть определены через нестрогое предпочтение следующим образом: т. и т.т. к. и неверно, что . x»y т. и т. т. к. Если за основу берется отношение E, тогда » и E можно определить: x»y тогда и только тогда, когда неверно xEy и yEx. xEy тогда и только тогда, когда xEy, или неверно xEy и неверно yEx. Отношение предпочтения E на X транзитивно, если из того, что xEy, и yEz следует, что xEz. Доступных интерпретации значений, необходимых для принятия решений в различных сферах человеческой деятельности. Последовательность 3. Классификация. 4. Прогнозирование Ассоциация имеет место в том случае, если несколько событий связаны между собой. С помощью классификации выявляются признаки, характеризующие группу, к которой принадлежит объект. В таких системах гипотезы о виде зависимости целевой переменной от других переменных строится как эволюция в мире программ. Двигаясь по дереву решений сверху вниз, лицо, принимающее решение, должно сначала либо выбрать эксперимент стоимостью , либо не проводить экспериментов, что обозначается через , а соответствующие затраты (нулевые) - через . Эксперимент приводит к различным исходам, вероятности появления которых описываются с помощью распределения условных вероятностей . Анализ дерева решений осуществляется снизу вверх, используя принцип, согласно которому следует максимизировать ожидаемую полезность. Этот алгоритм циклически разбивает обучающие примеры на группы/классы в соответствии с переменной, имеющей наибольшую классифицирующую силу. Цепочка с максимальным значением критерия поощряется увеличением вероятности выбора, входящих в нее событий в следующих опытах.