|
40 Сообщения, имеющие два возможных варианта (типа “Да”, “Нет”), преобразуются соответственно в 1 и 0. Точность моделей заболеваний, построенных на основе классификационных методов в значительной мере зависит от количества учитываемых параметров. Одновременно с увеличением числа параметров значительно возрастают затраты вычислительных ресурсов. Поэтому оптимальный выбор признакового пространства в значительной мере обеспечивает эффективность и качество функционирования алгоритмических схем. Критерием оптимальности является минимизация числа измеряемых параметров при условии обеспечения достаточной информативности выбранной параметрической системы. Степень оптимальности и корректности процедур минимизации определяют надежность и достоверность построенных моделей. Так как при построении многофакторных корреляционных моделей одной из предпосылок обоснованности конечных результатов является требование отсутствия мультиколлинеарности включенных в модель признаков-факторов, предварительно следует произвести оптимизацию признакового пространства. При изучении сложных объектов, заданных многими параметрами, возникает задача разбиения параметра на группы, каждая из которых характеризует объект с какой либо одной стороны. Но получение легко интерпретируемых результатов осложняется тем, что во многих приложениях измеряемые параметры (признаки) лишь косвенно отражают существенные свойства, которые характеризуется объект. Подобная природа формирования набора частных характеристик объекта или системы присуща широкому классу явлений и процессов в экономике, социологии, медицине, педагогике и т.п. Во многих случаях изменение какого-либо общего фактора сказывается неодинаково на измеряемых признаках, в частности, исходная совокупность из р признаков обнаруживает такое естественное «расщепление» на сравнительно (с р ) |
51 в которое входят только измерения, удовлетворяющие следующему условию: V«, V/ : р :ш< р : < р ^ , (2.4) Решение задачи второго, основного этапа информационной фильтрации заключается в отборе из исходного множества информационных сообщений с оценкой достоверности ц>п (п = 1,]Угр) выше некоторой значимой величины [174]. Информация, содержащая фиксированные смысловые (лингвистические) значения сообщений должна быть на основе экспертных оценок преобразована в численную. Преобразование осуществляется следующим образом. Сообщения, имеющие два возможных варианта (типа “Да”, “Нет”), преобразуются соответственно в 1 и 0. Точность моделей заболеваний, построенных на основе классификационных методов в значительной мере зависит от количества учитываемых параметров. Одновременно с увеличением числа параметров значительно возрастают затраты вычислительных ресурсов. Поэтому оптимальный выбор признакового пространства в значительной мере обеспечивает эффективность и качество функционирования алгоритмических схем. Критерием оптимальности является минимизация числа измеряемых параметров при условии обеспечения достаточной информативности выбранной параметрической системы. Степень оптимальности и корректности процедур минимизации определяют надежность и достоверность построенных моделей. Так как при построении многофакторных корреляционных моделей одной из предпосылок обоснованности конечных результатов является требование отсутствия мультиколлинеарности включенных в модель признаков-факторов, предварительно следует произвести оптимизацию признакового пространства. 52 При изучении сложных объектов, заданных многими параметрами, возникает задача разбиения параметра на группы, каждая из которых характеризует объект с какой либо одной стороны. Но получение легко интерпретируемых результатов осложняется тем, что во многих приложениях измеряемые параметры (признаки) лишь косвенно отражают существенные свойства, которые характеризуется объект. Подобная природа формирования набора частных характеристик объекта или системы присуща широкому классу явлений и процессов в экономике, социологии, медицине, педагогике и т.п. Во многих случаях изменение какого-либо общего фактора сказывается неодинаково на измеряемых признаках, в частности, исходная совокупность из р признаков обнаруживает такое естественное «расщепление» на сравнительно (с р ) небольшое количество групп, при котором изменение признаков, относящихся к какой-либо одной группе, обуславливается в основном каким-то одним общим фактором, своим для каждой такой группы. После принятия этой гипотезы разбиение на группы естественно строить таким образом, чтобы параметры, принадлежащие к одной группе, были коррелированны сравнительно сильно, а параметры, принадлежащие к разным группам, слабо. После такого разбиения для каждой группы признаков строится случайная величина, которая в некотором смысле наиболее сильно коррелированна с параметрами данной группы; эта случайная величина интерпретируется как искомый фактор, от которого существенно зависят все параметры данной группы [3]. Очевидно, подобная схема является одним из частных случаев общей логической схемы факторного анализа. В отличие от ранее описанных классических моделей факторного анализа при эвристически оптимизационном подходе группировка признаков и выделение общих факторов делаются на основе экстремизации некоторых эвристически введенных функционалов. Разбиения, оптимизирующие функционал ./, или |