Проверяемый текст
Цымбал, Владимир Георгиевич; Разработка и исследование методов формирования признаковых пространств в медицинских диагностических системах (Диссертация 1999)
[стр. 148]

где J —количество сигналов в системе.
Таким образом, порядок сложности программы моделирования в режиме обучения равен £об = o (l•НМ2 -L + N-log2n )J (4.17) а Аналогично определяем порядок сложности программы моделирования в режиме классификации: =o(l •НМ2+ NK •log2Nk)J , (4.18) а * где NK длина контрольной выборки, предъявляемой для классификации.
♦ Численные значения порядков сложности £об и для исходных данных одного из экспериментов, представленного в приложении 1 будут иметь следующие значения: 1= 5, J = 4, N = 104, М = 103, L = 10, NK = 103, Хоб =50.05-106, Z^sS.CW-lO6, Z = 55.09 -106.
Таким образом, сравнивая основные показатели эффективности (представленные на рисунке 4.4
и рисунке 4.8) и сложности (представленные в виде оценок порядков сложности алгоритмов) разработанных алгоритмов и алгоритма классификации по методу k-ближайших соседей с использованием спектральных признаков, можно сделать следующие выводы.
1.
При увеличении количества объектов обучения (более 20-30) алгоритм
по методу k-ближайших соседей имеет преимущества, заключающиеся в более Ь высоких вероятностях правильной классификации по сравнению с разработанными алгоритмами, что обусловлено, очевидно, использованием оптимальной байесовской стратегии принятия решений.
Особенно сильно эти преимущества проявляются при двухальтернативном распознавании.

148
[стр. 128]

128 Зависимости оценок суммарных вероятностей ошибок классификации от числа объектов обучения по классам для классификатора по методу к ближайших соседей Рис.
4.10.
Таким образом, сравнивая основные показатели эффективности (представленные на рис.
4.4,
4.5 и рис.
4.10) и сложности (представленные в виде оценок порядков сложности алгоритмов) разработанных алгоритмов и алгоритма классификации по методу к ближайших соседей с использованием спектральных признаков, можно сделать следующие выводы.
1.
При увеличении количества объектов обучения (более 20-30) алгоритм
методу к ближайших соседей имеет преимущества, заключающиеся в более высоких вероятностях правильной классификации по сравнению с разработанными вой стратегии принятия решений.
Особенно сильно эти преимущества проявляются при двухальтернативном распознавании.

2.
Как видно из графиков зависимостей суммарных вероятностей ошибок классификации от числа объектов обучения, при критически низком количестве объектов обучения (менее 8-10) алгоритм классификации по методу к ближайших соседей значительно проигрывает разработанным алгоритмам в показателях вероятностей правильной классификации.
В ходе моделирования установлено, что в случае многоальтернативного распознавания при увеличении количества классов (выше 5-10) эффективность "эталонного" классификатора начинает резко падать, по сравнению с показателями эффективности разработанных алгоритмов НКСП.
3.
Анализ вычислительной сложности алгоритмов показывает, что сложность алгоритма классификации по методу к ближайших соседей более чем нач порядок выше вычислительной сложности разработанных алгоритмов.
Особенно это важно при выполнении процедуры принятия решений (режим классификации), где порядок сложности разработанных алгоритмов ниже порядка сложности алгоритма классификации по методу к ближайших соседей приблизительно в 50 раз.
t

[Back]