Navigacio
Szakmai oldal:
RSS
Jásdi Kiss Imre: Hatodik Pecsét
Bejelentkezés
üdvözlet
A MAI NAPTÓL (2015/09/22) AZ ÚJ WEBOLDALUNK A: HTTP://POSTAIMRE.MAGYARNEMZETIKORMANY.COM :)
.....................
(A www.postaimre.net a továbbiakban szakmai oldalként müködik
az egykoti www.magyarnemzetikormany.com/pi-klub cím - archiv oldalként, amint tapasztalhatjátok - még mindig elérhetö.)
.....................
(A www.postaimre.net a továbbiakban szakmai oldalként müködik
az egykoti www.magyarnemzetikormany.com/pi-klub cím - archiv oldalként, amint tapasztalhatjátok - még mindig elérhetö.)
Mire jó a klaszteranalízis?
A klaszteranalízis kiindulópontja az elemek közötti hasonlóság vagy távolság. Ezzel kapcsolatban általában rendelkezünk elõzetes információkkal, amelyek alapján kiszámítjuk ezeket a hasonlóságokat vagy távolságokat. Más esetekben csak a hasonlóságok vagy távolságok mértékérõl rendelkezünk információkkal.
Az elõbbi esetben a klaszteranalízis (cluster = fürt (angol)) segítségével vizsgált probléma a következõ: egy n elemû adatbázisban minden egyes elemhez p darab változó értékei kapcsolódnak; alakítsunk az elemekbõl csoportokat úgy, hogy a „hasonlóak” egy csoportba kerüljenek. Minden klaszter elemei viszonylag hasonlók egymáshoz, de különböznek más klaszterek elemeitõl. Az eljárásnak teljes mértékben számszerûnek kell lennie, a csoportok száma pedig elõzetesen nem ismert. Így nehezebb problémával állunk szemben, mint a diszkriminancia-analízis esetében, hiszen ez utóbbi esetben a csoporttagságok ismertek. A klaszteranalízis és a diszkriminancia-analízis is csoportosítással foglalkozik. A diszkriminancia-analízis megköveteli a klaszterekbe tartozás elõzetes ismeretét, s ez alapján kialakít egy csoportosító szabályt. Ezzel szemben a klaszteranalízisnél nem rendelkezünk elõzetes ismerettel, a csoportok az adatok alapján alakulnak ki.
A klaszteranalízis több szempontból is igen hasznos eljárás. Elõször is, gyakran szükség van arra, hogy a „valódi” csoportokat határozzuk meg. Például, többféle módon csoportosíthatjuk a vásárlói magatartásformákat - különbözõ elméleteknek megfelelõen -, a klaszteranalízis egy objektív módszert kínál a csoportok kialakításához. Másodszor, a klaszteranalízist adatredukció céljából is használhatjuk. Az adatredukcióról a fõkomponens-analízis kapcsán már részletesebben volt szó. Harmadrészt a klaszteranalízis segítségével kapott esetleg meglepõ klaszter-csoportosulások új fényt vethetnek az eddig vizsgált kapcsolatok rendszerére.
Link
Az elõbbi esetben a klaszteranalízis (cluster = fürt (angol)) segítségével vizsgált probléma a következõ: egy n elemû adatbázisban minden egyes elemhez p darab változó értékei kapcsolódnak; alakítsunk az elemekbõl csoportokat úgy, hogy a „hasonlóak” egy csoportba kerüljenek. Minden klaszter elemei viszonylag hasonlók egymáshoz, de különböznek más klaszterek elemeitõl. Az eljárásnak teljes mértékben számszerûnek kell lennie, a csoportok száma pedig elõzetesen nem ismert. Így nehezebb problémával állunk szemben, mint a diszkriminancia-analízis esetében, hiszen ez utóbbi esetben a csoporttagságok ismertek. A klaszteranalízis és a diszkriminancia-analízis is csoportosítással foglalkozik. A diszkriminancia-analízis megköveteli a klaszterekbe tartozás elõzetes ismeretét, s ez alapján kialakít egy csoportosító szabályt. Ezzel szemben a klaszteranalízisnél nem rendelkezünk elõzetes ismerettel, a csoportok az adatok alapján alakulnak ki.
A klaszteranalízis több szempontból is igen hasznos eljárás. Elõször is, gyakran szükség van arra, hogy a „valódi” csoportokat határozzuk meg. Például, többféle módon csoportosíthatjuk a vásárlói magatartásformákat - különbözõ elméleteknek megfelelõen -, a klaszteranalízis egy objektív módszert kínál a csoportok kialakításához. Másodszor, a klaszteranalízist adatredukció céljából is használhatjuk. Az adatredukcióról a fõkomponens-analízis kapcsán már részletesebben volt szó. Harmadrészt a klaszteranalízis segítségével kapott esetleg meglepõ klaszter-csoportosulások új fényt vethetnek az eddig vizsgált kapcsolatok rendszerére.
Link
Hozzaszolasok
Oldal: 2 / 2: 12
#11 |
SZM
- 2014. March 12. 12:18:17
#12 |
anzsi a macska hala
- 2014. March 12. 16:47:42
#13 |
Detonator
- 2014. March 12. 19:27:35
#14 |
kukackac
- 2014. March 12. 20:04:13
#15 |
anzsi a macska hala
- 2014. March 12. 20:10:36
#16 |
Detonator
- 2014. March 12. 20:16:13
#17 |
baktria
- 2014. March 14. 01:17:49
#18 |
baktria
- 2014. March 14. 01:57:57
#19 |
Detonator
- 2014. March 14. 07:12:07
Oldal: 2 / 2: 12
Hozzaszolas küldése
Hozzaszolas küldéséhez be kell jelentkezni.