 |
26. О чем может свидетельствовать несовпадение медианы и матожидания?
|
|
|
|
26. О чем может свидетельствовать несовпадение медианы и матожидания?
О том, что распределение м. б. ненормальным. Т. к., у нормального распределение матожидание, мода и медиана совпадают. Также, если представить график несовпадения медианы и матожидания, то будет происходить асимметрия. Распределение будет несимметричным.
Когда распределение является симметричным и модальным (т. е. имеет моду) и существует математическоеожидание, то оно совпадает с модой и центром симметрии распределения. Часто применяется еще одна характеристика положения — так называемая медиана случайной величины. В случае симметричного модального распределения медиана совпадает с математическим ожиданием и модой.
27. Для каких целей используются коэффициент корреляции рангов Спирмена и Кэндалла?
Для ненормально распределенных переменных, а также при наличии нелинейной связи между переменными, следует использовать непараметрический коэффициент корреляции Спирмена (англ. Spearman correlation coefficient). В отличие от коэффициента Пирсона, этот вариант коэффициента корреляции работает не с исходными значениями переменных, а с их рангами:
cor(X, Y, method = ”spearman”)
Преимущество коэффициента Спирмена по сравнению с коэффициентом Пирсона - в большей чувствительности к связи. Его используют в следующих случаях:
наличие существенного отклонения распределения хотя бы одной переменной от нормального вида (асимметрия, выбросы);
появление криволинейной (монотонной) связи.
Ограничением для применения коэффициента Спирмена:
по каждой переменной не менее 5 наблюдений;
коэффициент при большом количестве одинаковых рангов по одной или обеим переменным дает грубое значение.
|
|
|
Коэффициент корреляции Кендалла относится к числу непараметрических, т. е. при вычислении этого коэффициента не играет роли характер распределения сравниваемых переменных. Предназначен для работы с данными, полученными в ранговой шкале. Иногда этот коэффициент можно использовать вместо коэффициента корреляции Спирмена, поскольку способ его вычисления более прост.
cor(X, Y, method = ”kendall”)
28. Цикл for, условный оператор if, ifelse.
Чтобы повторять действия в R и при этом не копировать один и тот же код много раз, используются циклы.
for (var in множество) {действие }
for (i in 1: 10) { print(" Hello" ) }
vector < - c(0, 1, NA, 0, 1)
for (i in vector){ print(i)}
Стоит также отметить, что для выполнения стандартных задач в рамках анализа данных в R циклы используются нечасто, так как в R многие операции векторизованы – функции применяются сразу к наборам значений, например, к векторам.
Условный оператор
1) if (условие){действие }
2) if (условие){действие 1}
else {действие 2}
Если необходимо применить несложную конcтрукцию if-else к каждому элементу вектора, можно воспользоваться функцией:
3) ifelse(условие, действие 1, действие 2)
Замечание: Условные операторы 1), 2) не являются векторными операциями. Они имеют дело только с одним значением. Если вы передадите, например, вектор, оператор 2) проверит только самый первый элемент и выдаст предупреждение.
29. Классификация
Классификация - один из разделов машинного обучения, посвященный решению следующей задачи. Имеется множество объектов (строк), разделенных некоторым образом на классы. Задано конечное множество объектов, для которых известно, к каким классам они относятся. Это множество называется обучающей выборкой. Классовая принадлежность остальных объектов не известна. Требуется построить алгоритм, способный классифицировать произвольный объект из заданного множества.
|
|
|
Задачи классификации
Задачи классификации встречаются очень часто в самых разных областях деятельности человека.
Как и задача регрессионного анализа, задача классификации решается в целях последующего прогнозирования переменной отклика Y (номера класса, фактор).
Задача: Необходимо выработать правило, позволяющее отнести новый объект к одному из возможных классов.
В том случае, когда число классов равно 2, говорят обинарной классификации.
Примеры задач классификации
Задачи распознавания (текста, символов, фото, ... )
Задачи диагностики (постановки диагноза в медицине, педагогическая диагностика)
Задачи контроля качества
Одним из отличий задач классификации от задач регрессионного анализа является то, что в последней прогнозируемые признаки допускают только количественное измерение (например, цена квартиры, доход от рекламы, количество холестерина в крови пациента), в то время как в задаче классификации прогнозируемые признаки должны быть качественными (например, цвет глаз людей, вкус или запах пищи, уровень знаний студентов, качество выпускаемой продукции, уровень комфорта в отеле и т. д. ).
Типы классификаторов
Метод k-ближайших соседей (K-Nearest Neighbors);
Метод опорных векторов (Support Vector Machines);
Классификатор дерева решений (Decision Tree Classifier)
Наивный байесовский метод (Naive Bayes);
Линейный дискриминантный анализ (Linear Discriminant Analysis);
Логистическая регрессия (Logistic Regression)
|
|
|
