Главная > Математика > Восстановление зависимостей по эмпирическим данным
<< Предыдущий параграф
Следующий параграф >>
<< Предыдущий параграф Следующий параграф >>
Макеты страниц

§ 5. Алгоритм экстремального разбиения значений признака на градации

В задачах обучения распознаванию образов приняты два способа представления информации — непрерывный и дискретный.

При непрерывном способе представления информации координаты вектора х могут принимать любые значения. При дискретном способе каждая координата вектора принимает фиксированное число значений. Дискретным способом удобно кодировать качественные признаки. Например, следующие характеристики в задачах медицинской дифференциальной диагностики: «бледность кожных покровов не выражена», «выражена умеренно», «сильно выражена», могут иметь коды

Однако в задачах обучения распознаванию образов принято дискретно кодировать не только признаки, отражающие качественную характеристику объекта, но и признаки, принимающие числовые значения.

При этом пользуются следующим способом представления информации. Весь диапазон значений параметра разбивается на ряд градаций. Единицей кодируется разряд кода, если значение параметра принадлежит градации, если же значение параметра не принадлежит градации, то в разряде ставится нуль.

Пример. Пусть значение параметра принадлежит отрезку и этот отрезок разбивается на пять градаций:

Кодом 10 000 обозначаются величины , кодом — величины кодом 00100 — величины кодом 00010 — величины и, наконец, кодом -величины

Рассмотренный способ представления информации замечателен не только тем, что позволяет компактно записывать информацию (для приведенного примера вместо одной ячейки памяти в ЦВМ — пять разрядов ячейки).

Дискретизация координат вектора есть нелинейная операция, с помощью которой вектор х переводится в бинарный вектор х с большим числом координат.

Использование большого числа градации при кодировке параметра эквивалентно использованию более разнообразного класса разделяющих поверхностей в пространстве чем линейные. Однако, как было установлено в главе VIII, чрезмерно большая емкость класса решающих правил при ограниченном объеме обучающей последовательности недопустима, и поэтому возникает проблема экстремальной разбивки на градации непрерывных признаков.

В этом параграфе будет приведен алгоритм экстремального разбиения значений признака на градации. Принцип, который реализует алгоритм, заключается в следующем: необходимо так разбить значения параметра на конечное число градаций, чтобы оценка неопределенности (энтропии) при классификации с помощью этого признака была минимальной (или близка к минимальной).

Итак, пусть признак (координата) х может принимать значения из интервала и пусть вектор, обладающий этим признаком, принадлежит одному из К классов. Пусть существуют условные вероятности принадлежности к каждому классу

Для каждого фиксированного значения признака х может быть определена мера неопределенности (энтропия) принадлежности к тому или иному классу

Среднее значение по мере энтропии вычисляется так:

Пусть теперь параметр х разбит на градаций, т. е. принимает одно из значений Тогда средняя энтропия может быть записана в виде

Воспользуемся формулой Байеса

Подставим (11.28) в (11.27)

Для того чтобы оценить энтропию (11.29), необходимо оценить вероятности по обучающей последовательности. Воспользуемся байесовыми оценками (см. § 6 гл. III):

где число элементов класса в обучающей выборке, число векторов класса, у которых длина выборки.

Реализация сформулированного принципа состоит в таком подборе разбиения на градации интервала с чтобы обеспечить минимум значения Алгоритм удобно реализовать в следующей форме: сначала разбить интервал на достаточно большое число градаций, а затем, «склеивая» соседние градации (и тем самым уменьшая число градаций добиться минимизации по Для этого сначала склеивают такую пару соседних градаций, чтобы величина уменьшилась на наибольшую величину. Затем среди оставшихся градации «склеивают» две соседние, чтобы минимизировать и т. д. Пусть минимум достигается при разбивке на градаций.

Можно оценить количество информации о принадлежности к классу которые доставляют сведения о значениях параметра

где

Часто разумно продолжать «склеивать» градации и после достижения минимума по функции но лишь до тех пор, пока величина не уменьшится в раз ( — параметр алгоритма, обычно ).

<< Предыдущий параграф Следующий параграф >>
Оглавление