This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision Next revision Both sides next revision | ||
courses:data_analysis_and_interpretation:task3 [2019/07/12 19:20] andrey.suchkov [Содержание отчёта] |
courses:data_analysis_and_interpretation:task3 [2019/08/01 08:25] andrey.suchkov [Основные теоретические положения] |
||
---|---|---|---|
Line 22: | Line 22: | ||
\end{pmatrix}, | \end{pmatrix}, | ||
$$ | $$ | ||
- | $r_{ij} = r_{ji}$, $r_{ij} = 0$ при $i = j$. Элементы матрицы можно найти как: | + | $r_{ij} = r_{ji}$, $r_{ii} = 0$. Элементы матрицы можно найти как: |
$$ | $$ | ||
r_{ij}^2 = (\mu_i - \mu_j)^T\Sigma^{-1}(\mu_i - \mu_j), | r_{ij}^2 = (\mu_i - \mu_j)^T\Sigma^{-1}(\mu_i - \mu_j), | ||
Line 36: | Line 36: | ||
//Пошаговый анализ с исключением.// Можно также двигаться в обратном направлении, в этом случае все переменные будут сначала включены в модель, а затем на каждом шаге будут устраняться переменные, вносящие малый вклад в предсказания. Тогда в качестве результата успешного анализа можно сохранить только "важные" переменные в модели, то есть те переменные, чей вклад в дискриминацию больше остальных. Эта пошаговая процедура "руководствуется" соответствующим значением $F$ для включения и соответствующим значением $F$ для исключения. Значение $F$ статистики для переменной указывает на ее статистическую значимость при дискриминации между совокупностями, то есть, она является мерой вклада переменной в предсказание членства в совокупности. | //Пошаговый анализ с исключением.// Можно также двигаться в обратном направлении, в этом случае все переменные будут сначала включены в модель, а затем на каждом шаге будут устраняться переменные, вносящие малый вклад в предсказания. Тогда в качестве результата успешного анализа можно сохранить только "важные" переменные в модели, то есть те переменные, чей вклад в дискриминацию больше остальных. Эта пошаговая процедура "руководствуется" соответствующим значением $F$ для включения и соответствующим значением $F$ для исключения. Значение $F$ статистики для переменной указывает на ее статистическую значимость при дискриминации между совокупностями, то есть, она является мерой вклада переменной в предсказание членства в совокупности. | ||
===== Постановка задачи ===== | ===== Постановка задачи ===== | ||
- | ==== Порядок выполнения работы ==== | + | ===== Порядок выполнения работы ===== |
- | === Задание на разработку статистических данных === | + | ===== Варианты заданий ===== |
Модель представляет собой набор многомерных векторов $\vec x = (x_1, \dots, x_m)$ , $m = 2, 3$, имеющих заданные вектора математических ожиданий $\mu_i$, $i = 1..M$ и заданные ковариационные матрицы (одинаковые по классам), которые имеют вид $\Sigma = \mathop{\mathrm{diag}}\nolimits\{\sigma_1, \dots, \sigma_m\}$. Компоненты векторов имеют нормальное распределение. Количество классов равно $M = 2, 3$. | Модель представляет собой набор многомерных векторов $\vec x = (x_1, \dots, x_m)$ , $m = 2, 3$, имеющих заданные вектора математических ожиданий $\mu_i$, $i = 1..M$ и заданные ковариационные матрицы (одинаковые по классам), которые имеют вид $\Sigma = \mathop{\mathrm{diag}}\nolimits\{\sigma_1, \dots, \sigma_m\}$. Компоненты векторов имеют нормальное распределение. Количество классов равно $M = 2, 3$. | ||
^ № варианта ^ Размерность $m$ ^ Объём выборки $N$ по классу ^ Вектора $\mu_i$ ^ Значения $\sigma_i$ ^ Количество классов $M$ ^ | ^ № варианта ^ Размерность $m$ ^ Объём выборки $N$ по классу ^ Вектора $\mu_i$ ^ Значения $\sigma_i$ ^ Количество классов $M$ ^ |