Page 55 - 4196

Після завершення процедури навчання рішаюча
функція набуває вигляду
g   ax  n   x ,
де
n
1  1 n 
a n   L 21     Lx i 12  x i
  .
n 
 i n 1 1 
 1i
Спостереження x i ,  1 ,... n належать класу  , а спо-
i 1 1
стереження x , i  n  1 ,..., n - класу  .
1
i
2
В подальшому функцію  xg можна використати
для класифікації об’єктів невідомої природи.
Основною перевагою алгоритмів навчання є проста
побудова роздільних гіперповерхонь. Але, якщо існує
будь-яка допоміжна інформація про розподіли класів
f x  i , то природно спочатку апроксимувати xf  i , а
далі будувати роздільну гіперповерхню.

4.6 Класифікація з самонавчанням
Класифікація геологічних об’єктів з використанням
навчання на еталонах має свої обмеження, які передба-
чають, що нові об’єкти мають природу, ідентичну з ета-
лонами. В складно побудованих районах, коли мінли-
вість характеристик об’єктів досить значна, доцільність
використання еталонів викликає сумніви. В такому випа-
дку кращі результати можна отримати, застосувавши
класифікацію без навчання (самонавчання), яка базується
на виділенні класів за принципом однорідності об’єктів
та подібності ознак. Геологічна природа класів може бу-
ти установлена подальшими дослідженнями, наприклад,
бурінням.
Існує декілька підходів, які дозволяють з мішаної
вибірки виділяти та описувати класи. Набір методів виді-
лення класів, що використовують «внутрішні» властиво-
сті мішаної вибірки, таких, як міра подібності між окре-
мими елементами або групами елементів, відноситься до
кластер-аналізу.

55