text stringlengths 0 1.95k |
|---|
bx , для которой |
a |
= |
sign |
( |
T |
xw |
a |
+ |
b |
) |
1 |
+= |
и |
-=bxf |
) |
1 |
( |
, опознается как |
"кружочек". |
Рис. 6.19. Положение разделяющей гиперплоскости, полученной методом опорных векторов, |
в пространстве главных компонент PC5-PC8 переменных формы нижней челюсти грызунов; |
красным цветом отмечены ошибки распознавания. |
При использовании метода опорных векторов построение разделяющей |
гиперплоскости для нашего примера осуществлялась по 782 точкам, т.е. 55 векторов |
исходной выборки были исключены как "злостно" препятствующие классификации, |
благодаря чему модель распознавания получила дополнительную устойчивость, в том |
числе, при скользящем контроле. Сокращение признакового пространства с 11 до 3 |
переменных (F1, PC5, PC8) также не сказалось на качестве распознавания. Авторы |
233 |
рекомендуют обратить внимание на широкое распространение и постоянное развитие |
алгоритмов SVM, современные версии реализации которых представлены в пакетах klaR |
и penalizedSVM среды R. |
Для решения предъявленного примера все использованные модели распознавания |
LDA, QDA, LR и SVM показали весьма высокую вероятность ошибочного прогноза (табл. |
6.8), что, вероятно, можно расценивать как неудачу с предметной точки зрения. Несмотря |
на это, наша задача - обратить внимание на следующие общие методические |
закономерности, важные при выборе алгоритмов классификации и анализе результатов их |
работы: |
° |
ошибка кросс-проверки ECV всегда превышает внутреннюю ошибку модели ES на |
самой обучающей выборке и является объективной характеристикой качества |
распознавания на внешнем дополнении; |
° |
сокращение размерности модели за счет выбора комплекса информативных |
переменных может увеличить ошибку ES, но, как правило, снижает ошибку скользящего |
контроля ECV; |
° |
использование "продвинутых" нелинейных поверхностей разделения (QDA в табл. |
6.8) часто приводит к формированию "переопределенных" моделей, эффективных на |
самой обучающей выборке, но не столь успешных при экзамене неизвестных объектов. |
Таблица 6.8. Оценка прогнозирующей эффективности различных методов распознавания пола |
грызунов по форме нижней челюсти; Err-S – доля ошибочной классификации на обучающей |
выборке; Err-CV – то же, при скользящем контроле |
Использованный алгоритм |
Полная модель |
Линейный дискриминантный |
анализ LDA |
Квадратичный |
дискриминантный анализ QDA |
Логистическая линейная |
регрессия LR |
Метод опорных векторов SVM |
Err-S |
0.442 |
0.388 |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.