Page 60 - 4196

 1k   k
X  X U 
e e
 k
для усіх інших множин X e ( - порожня множина).
На кожному кроці об’єднуються тільки дві множи-
ни.
Обчислення за цим алгоритмом організуються на-
ступним чином.
1 На першому кроці процедури кожний елемент x
i
мішаної вибірки рахується класом
 1
X  x , i  1 ,..., n .
i i
2 Обчислимо матрицю відстаней для усіх можливих
пар елементів
d  1  d   x i x , j .
 1
3 Знаходимо мінімальний елемент матриці d .
 1
d  min d  ,x x , i  , j j , i  1 ,... n .
min i j
4 Об’єднаємо два елемента x та x , яким відпові-
i
j
 1
 j
дає відстань d , у клас з меншим індексом i 
min
X  2  X  1 U X  1 , X  1  x , X  1  x .
i i j i i j j
Для усіх інших елементів (класів):
 2  1
  XX  U  t,  , i t  , j t  1 ,..., n .
t t
5 Обчислюємо матрицю міжгрупових відстаней
d  2  d   X  2 , X  2 .
e
m
6 Переходимо до виконання пункту 3.
В результаті виконання такої обчислювальної про-
цедури на кожному кроці отримаємо систему класів
X  k ,..., X  k  k,  1 ,..., n . На першому кроці маємо n
1 n k 1
класів, на останньому – один клас.
Вибираємо критичне значення міри подібності d kp .
За остаточне групування приймаємо класифікацію на
 k
кроці k , для якого d  d .
min kp
60