Модули интеллектуального анализа (классификация, кластеризация, нейронные сети, многомерные зависимости)

Модуль, используя методы распознавания образов, в автоматическом режиме выделяет классы в данных, например однородные породы. Алгоритмы распознавания образов призваны восстанавливать зависимости между некоторыми ключевыми характеристиками объекта (тип породы, например коллектор и неколлектор) по некоторой информации о нём (признаки, значения кривых ГИС). Модуль основан на методах обучения распознаванию образов с учителем. Это предполагает наличие нескольких скважин, где выделение интересующих пород уже произведено. Такой набор скважин, называется обучающей выборкой, а различные типы пород — классами. В данном модуле реализованы методы k ближайших соседей, квадратичной и линейной логистической регрессии, деревья решений и деревья решений с линейной разделяющей поверхностью в узлах. Кроме возможностей классификации, модуль реализует два метода проверки качества классификации: тестирование на независимом множестве и перекрестная проверка.

Модуль решает задачу разбиения заданной выборки объектов (ситуаций) на подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались.

 

Многомерная линейная регрессия — метод восстановления коэффициентов линейной зависимости значения некоторой переменной (кривой) от значений ряда других переменных (кривых).

 

Многомерная регрессия - метод восстановления коэффициентов произвольной зависимости значения некоторой переменной (кривой) от значений ряда других переменных (кривых).

Задача модуля - воспроизведение сложной зависимости, если отсутствует или не может быть выражена аналитическая зависимость.