Обучение по обучающейся выборке может происходить 2-мя способами: 1) обучение с «учителем» (для каждого примера задается массив признаков и определяется принадлежность к какому-либо классу ситуации. Множество классов ситуации фиксировано и задается заранее. Это задача классификации в чистом виде), 2) обучение «без учителя» (система сама выделяет (создает) классы ситуаций по степени близости значения признаков. Это задача кластеризации).
Кластерный анализ - совокупность матем. методов, предназначенных для формирования отдельно «отдаленных» др. от др. групп «близких» му собой объектов по информации о «расстояниях» му ними. Аналоги кластерного анализа - таксогония, распознание образов без учителя, автоматическая классификация (биология, экономикака, медицина, …).
Расстояние му объектами - характеризует меру сходства, близости объектов му собой по всей совокупности признаков.
«Расстояние»: (вектор), который удовлетворяет аксиомам: 1)>=0, 2) =(свойство симметрии) 3) + >= (правило треугольника) 4) if , то (аксиома различности), 5) if =0, то j=I (аксиома неразличности).
D-расст-е м/у объектами, i-индекс 1го объекта, j – индекс 2-го.
Евклидова метрика: ((Pi-Pi*)Pi), Pi*-чистота, случайная. Pi-не случайная величина.
Мера Кульбака: где, Pi*-получ. в эксперименте распределения, Pi- -!!- гипотезе.
В результате самообучения системы автоматически строятся правила, позволяющие автоматически определить, к какому классу принадлежит новая нереальная ситуация. В результате обучения автоматически формируется БД, используемая при классификации (Нейронная сеть)
