Характеристика моделирования, понятия модели

Экспертные  оценки при кластеризации применяются  в чистом виде или в комбинации с формальными процедурами, обеспечивая  последним содержательный контроль за результатами классификации и способствуя углубленному пониманию постановочных задач. Таким образом, применение экспертных оценок в задачах кластеризации повышает эффективность работы в отношении как качества классификации, так и упрощения вычислительных процедур.

С помощью  экспертных оценок возможно решение  следующих задач кластерного  анализа:

• установление границ кластеров и определение  дискриминантных функций;

• поименное  отнесение каждого объекта к  определенному кластеру в соответствии с субъективным мнением экспертов;

•  целевой  отбор признаков (характеристик) для  формирования кластеров и последующего изучения пространства объектов или  придания признакам «весовых» оценок;

• разработка правил коллективной выработки функций  формирования кластеров, установка  формальных процедур классификации.

На этапе  предварительного отбора параметров экспертиза необходима для того, чтобы какая-либо характеристика не оказалась неучтенной. На этом этапе эксперт достигает  полноты учета характеристик  за счет понимания содержания исследования с одновременным использованием фактографического материала кластерной матрицы. При этом эксперты, как правило, игнорируют формализованные правила  выбора признаков, а придают решающее значение опыту и интуиции. Очевидно, руководитель исследования имеет возможность  сделать поправку на компетентность эксперта в рассматриваемом вопросе.

Практически в задачах кластерного анализа  компетентность экспертов измеряется как отклонение заявленных ими образов  от установившихся и обоснованных кластеров.

Компетентность  экспертов может быть вычислена  как метрическая мера вероятности  ошибки распознавания уже классифицированных объектов. Исследователем устанавливаются  границы допустимых погрешностей экспертов, причем далеко уклонившиеся от нормы эксперты признаются нерелевантными источниками информации, использование мнений которых неэффективно. 
 
 
 
 
 
 
 
 
 

53. Кластеризация с  помощью экспертных  оценок. Алгоритм.

54. Кластеризация методом  определения «ближайших  соседей».

Этот  универсальный метод классификации  может использовать критерий близости объектов в метрической системе  мер, или критерий подобия объектов. Исходные данные об элементах рассматриваемого множества должны быть представлены в матричной форме. Обязательной характеристикой исходных данных должна быть возможность их сравнения для  определения иерархических уровней.

Метод «ближайших соседей» основан на иерархической  агломеративной модели обработки матрицы, содержащей данные обо всех парах объектов классификации, расстояниях между ними или коэффициентах подобия. Таким образом, возможна классификация исходного множества малыми кластерами с очень близкими характеристиками. С увеличением радиусов кластеров сходство будет уменьшаться, а количество объектов в каждом кластере увеличиваться.

Метод «ближайших соседей» ставит задачу выбора первого объекта классификации, которая в предыдущих методах  решалась случайным образом. В предлагаемой постановке подобный подход не может  быть реализован, потому что содержание классификации зависит от того, какой  элемент будет назван первым. В  связи с этим предлагается до начала кластеризации сформулировать критерий значимости характеристик объектов и в соответствии с этим критерием  выбрать первый объект.

Очевидно, при жестких граничных условиях первоначально каждый объект образует единственный собственный кластер, куда другие объекты не могут входить, затем постепенно кластер включает в себя и другие объекты из наиболее близких по схожести или подобию. Это включение происходит путем парных сравнений.

Алгоритм  кластеризации методом «ближайшего  соседа» по эффективности не уступает более сложным методам, а по доступности  расчетов превосходит их. К ограничениям метода можно отнести требование минимальной изменчивости во времени  исходного множества объектов. Поэтому  динамично развивающиеся системы  не могут быть объективно классифицированы методом «ближайшего соседа».

В иерархической  системе, которая должна быть разделена  на условно однородные группы объектов, выделяется или один признак, или  группа признаков, определяющая значимость объектов. Таким образом, выстраивается  цепочка ранжированных объектов, пригодных для последующей кластеризации.

Метод «ближайших соседей» предусматривает  последовательную сортировку объектов исследования (элементов классифицируемого  множества). Таким образом, выстроив иерархическую последовательность кластеров, можно определить, какой  минимально допустимый уровень сходства объекта и кластера достаточен для  получения приемлемого уровня их объединения. Все коэффициенты сходства или подобия должны быть определены заранее и занесены в матрицу. По этим коэффициентам выполняется  идентификация априорных совокупностей (подмножеств) с «ближайшими соседями». Алгоритмом предусматривается, что  все значения коэффициентов (элементов  матрицы) после идентификации и  включения в кластерную модель должны быть исключены из дальнейшего рассмотрения.