Дискриминантные факторы

В то же время возникает новая проблема. Необходимо найти факторы, которые вносят вклад в максимально четкое распознавание различных групп объектов. Эти дискриминантные факторы [c.223]

Одновременно внутригрупповая дисперсия (VI) должна быть минимизирована для уменьшения расстояний между объектами группы и центром тяжести. Эти две операции эквиваленты, но как правило, для вычисления дискриминантных факторов используют первую из них. [c.226]

При 3 для графического представления выбирают, как правило, два дискриминантных фактора, связанных с наибольшими значениями А,,, но при этом необходимо исследовать другие оси со значениями близкими к единице, поскольку с их помощью можно выполнить дополнительное разделение между двумя группами, которые не слишком заметно разделяются первыми двумя факторами. [c.228]

Представление переменных аналогично тому, которое реализуют при анализе главных компонент. Значения переменных можно нанести на график и для исследования качественных характеристик их представления посредством дискриминантных факторов построить окружность корреляции. Таким образом, координаты этих осей являются межгрупповыми коэффициентами корреляции. [c.228]

Объекты можно нанести на график в системе координат, определяемой двумя первыми дискриминантными факторами, причем координаты вычисляют в соответствии с выражением [c.229]

Аналогичным образом можно вычислить координаты центров тяжести и новых объектов, не отнесенных к группам. Для q-ro дискриминантного фактора координата центра тяжести к-ц группы будет р [c.229]

Таблица 5.12. Дискриминантный фактор

Задача моделирования заключалась в выявлении сочетания следующих факторов местоположения источников по отношению к станциям контроля, изменения валовых масс выбросов загрязняющих веществ (т. е. наличие залповых выбросов) и соответственно концентраций загрязняющих веществ, изменения метеоусловий, при которых наилучшим образом будут идентифицироваться реальные источники загрязнения атмосферного воздуха. Собственно задача идентификации источников загрязнения атмосферного воздуха рассматривалась как задача распознавания образов, теоретические аспекты которой представлены в главе 2, и для ее решения использовался дискриминантный метод. [c.325]

Критерий риска локальной коррозии был рассчитан с применением метода дискриминантного анализа и описывает уровень дискриминантной функции Рг для опасности локальной коррозии в виде дискриминантного уравнения, учитывающего в порядке убывания значимости влияние таких факторов, как [c.65]

Критериальные уровни локальной коррозии характеризуется величинами р2=1,638, выше этого значения лежит область "опасность локальной коррозии", и р2=-0,701, ниже которого вероятность локальной коррозии незначительна. При расчете дискриминантной функции р2 основными и значимыми факторами являются содержание органического вещества (перешедшего в летучие соединения углерода и углекислый газ) и сероводорода в газовой фазе [37]. [c.65]

Результат расчета дискриминантной функции "скорость стресс-коррозии" выражается дискриминантным уравнением, где значимые факторы в порядке снижения значимости [c.67]

Если моделируется качественная переменная, то необходимо выбрать лишь предварительно определенные значения (кислотность — основность, положение заместителя, тип химической или биологической активности, критерии качества и т. д.), тогда производный метод канонического анализа называется факторным дискриминантным анализом (ФДА). При его использовании исследуемые объекты прежде всего классифицируют на различные группы по какому-либо критерию. Набор данных составляют из р переменных, оцененных для п объектов. Дополнительная колонка содержит новые данные, связанные с каждым объектом целочисленная величина, определяюпдая группу, к которой изначально отнесен объект. Таким образом создают т групп. Эти данные составляют базовый набор данных, по которому рассчитывают дискриминантные функции. Обычно для проверки дискриминантных возможностей рассчитанных факторов используют другой набор данных с новыми объектами, ранее не классифицировавшимися. [c.225]

Рассмотренные ранее статистические методы тоже позволяли получать координаты разделяющего вектора - мы называли их элементами статистической матрицы. Разделение, правда, было обычно нестрогим некоторые объекты классифицировались ошибочно. Это, конечно, может считаться недостатком, но следует обратить внимание на опасность, поде терегающую нас при стремлении избавиться от ошибок при обучении. Дело в том, что при составлении обучающей выборки может случайно произойти ошибка и тогда наше благое намерение безошибочно разделить все объекты, может привести к искаженной модели сайта. А при сложных методиках работы с нуклеиновыми кислотами, требующих учета множества косвенных факторов и проведения многостадийных реакций, наивно рассчитывать на получение большого количества информации, достоверной не все 100%. Поэтому полезно познакомиться с методами дискриминантного анализа, разделяющими обучающую выборку оптимальным (в некоторок смысле) образом, но допускающими небольшое количество ошибок. [c.136]

Справочник химика 21

Химия и химическая технология