7) Кластерный анализ. Общая теория графов.
Кластерный анализ — задача разбиения заданной выборки объектов (ситуаций) на подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались.
«Тематика исследований варьирует от анализа морфологии мумифицированных грызунов в Новой Гвинее до изучения результатов голосования сенаторов США
Для проведения классификации необходимо ввести понятие сходства объектов по наблюдаемым переменным. В каждый кластер (класс, таксон) должны попасть объекты, имеющие сходные характеристики.
В кластерном анализе для количественной оценки сходства вводится понятие метрики. Сходство или различие между классифицируемыми объектами устанавливается в зависимости от метрического расстояния между ними.
Если каждый объект описывается k признаками, то он может быть представлен как точка в k-мерном пространстве, и сходство с другими объектами будет определяться как соответствующее расстояние.
K-средних (выбор эталона)
Графовые алгоритмы кластеризации
Статистические алгоритмы кластеризации
Алгоритмы семейства FOREL
Иерархическая кластеризация или таксономия
Метол дедрограмм
Метод полных связей
Метод средней связи
Метод Уорда
Нейронная сеть Кохонена
Ансамбль кластеризаторов
Алгоритмы семейства КRAB
EM-алгоритм
Алгоритм, основанный на методе просеивания
Теория графов — раздел дискретной математики, изучающий свойства графов. В общем смысле граф представляется как множество вершин (узлов), соединённых рёбрами.
Родоначальником теории графов считается Леонард Эйлер. В 1736 году в одном из своих писем он формулирует и предлагает решение задачи о семи кёнигсбергских мостах, ставшей впоследствии одной из классических задач теории графов.
Граф с 6 гранями и 7 ребрами
Теория графов находит применение, например, в геоинформационных системах (ГИС). Существующие или вновь проектируемые дома, сооружения, кварталы и т. п. рассматриваются как вершины, а соединяющие их дороги, инженерные сети, линии электропередачи и т. п. — как рёбра. Применение различных вычислений, производимых на таком графе, позволяет, например, найти кратчайший объездной путь или ближайший продуктовый магазин, спланировать оптимальный маршрут.
- 1) Автокорреляционная функция
- 2) Анализ флуктации. Периодограмма
- 3) Временные ряды. Числовые характеристики наблюдений
- 4) Выделение периодических составляющих. Исключение регулярных циклов.
- 5) Выявление и оценка тренда
- 6) Дискретные и непрерывные распределения
- 7) Кластерный анализ. Общая теория графов.
- 8) Линейная множественная корреляция. Зависимость коэффициентов линейной множественной корреляции. Множественная регрессия.
- 9) Логнормальное распределение. Отличия. Свойства.
- 11) Метод наименьших квадратов. Корреляция.
- 14) Нормальное распределение
- 17) Построение эмпирических распределений. Выбор числа интервалов группировки.
- 21) Робастное оценивание
- 23) Сглаживание и фильтрация. Методы сглаживания. Влияние сглаживания на спектр.
- 24) События. Генеральная совокупность. Выборка.
- 25) Спектральный анализ. Цель спектрального анализа.
- 26) Статистическая гипотеза. Область отклонения гипотезы. Область принятия гипотезы.
- 27) Функция распределения и её свойства.