Page 26 - 4721

тоді в цій точці є певна густина ймовірності. Кластери з
близько розташованих точок, свідчать, що в цьому місці
густина ймовірності велика. Поблизу спостереження є більша
довіра до рівня густини, а у міру віддалення від нього довіра
зменшується і наближається до нуля. У методі ядерних оцінок
в точку, що відповідає кожному прикладу, розміщується деяка
проста функція, потім вони всі додаються і в результаті
утворюється оцінка для загальної густини ймовірності.
Найчастіше як ядерні функції беруть дзвоноподібні функції
(гаусові). Якщо є достатня кількість навчальних прикладів,
такий метод дає добрі наближення до істинної густини
ймовірності.

Завдання

1 Введіть три вектори та їх класи:
X = [1 2; 2 2; 1 1]';
Tc = [1 2 3];
plot(X(1,:),X(2,:),'.','markersize',30)
for i = 1:3, text(X(1,i)+0.1,X(2,i),sprintf('class %g',Tc(i))), end
axis([0 3 0 3]) %задаємо обмеження осей
title('Three vectors and their classes.')
xlabel('X(1,:)')
ylabel('X(2,:)')

2 Створіть нову ймовірнісну нейронну мережу:
T = ind2vec(Tc);
spread = 1;
net = newpnn(X,T,spread);
3. Виведемо результат тренування
Y = net(X);
Yc = vec2ind(Y);
25