Матрица коэффициентов

Матрица коэффициентовПо исходной матрице коэффициентов связи виды классифицируются так, чтобы доля дисперсии, учитываемой этой классификацией, была наибольшей. Для этого из коэффициентов сначала вычитается среднее по их матрице значение. В результате все коэффициенты меньше среднего становятся отрицательными. Затем находят пару видов, объединение которых в один класс уменьшает начальную дисперсию на максимально возможную величину, т. е. пару с наибольшим сходством. После этого столбцы и строки коэффициентов, соответствующие найденной паре видов, поэлементно суммируются. На агрегированной так матрице процедура объединения повторяется. Такой поиск и агрегация продЪлжаются до тех пор, пока доля учитываемой дисперсии увеличивается, т. е. пока объединяются пробы с положительными коэффициентами. В результате получается некоторая классификация — объединение видов по их максимальному сходству в незаданное число классов. При этом коэффициенты проб внутри классов в основном положительны, а между классами — отрицательны.

В качестве меры сходства распределений в одной из прежних работ был взят коэффициент ранговой корреляции Кендэла. В отличие от коэффициентов Жаккара, линейной корреляции и обратной величины евклидова расстояния, широко применяемых в биологической практике и использованных нами при пробных расчетах, эта мера при данном алгоритме обеспечивала оптимально обобщенное разбиение, что позволило за счет последовательного разделения крупных классов представить классификацию в иерархическом виде. Прочие упомянутые коэффициенты давали сразу на первом же шаге очень дробное разбиение, что усложняло описание. В общих чертах по смыслу деления оно совпадало с наиболее дробным разбиением по коэффициенту ранговой корреляции.

Галерея
7880.jpg 8681.jpg 9694.jpg 17424.jpg OLYMPUS DIGITAL CAMERA

Copyright © 2014. All Rights Reserved.