Разработка электронного пособия по спецкурсу «Классификация экспериментальных данных»

Автор работы: Пользователь скрыл имя, 26 Октября 2012 в 22:41, курсовая работа

Описание работы

Объект исследования (разработки): электронное пособие по спецкурсу «Классификация экспериментальных данных».
Цель курсовой работы: разработка электронного пособия по спецкурсу «Классификация экспериментальных данных».
Задачи курсовой работы: изучение основ теории классификации, освоение основных приемов работы в среде системы Statistica, изучение принципов работы языка HTML, организация и реализация web-пособия.

Содержание работы

ВВЕДЕНИЕ
1 ПРИКЛАДНАЯ СТАТИСТИКА
1.1 Прикладная статистика
1.2 Пакет Statistica
2 ИНСТРУМЕНТ HTML
2.1 Общие сведения о HTML
2.2 Создание web–приложения поддержки процесса изучения спецкурса
3 АПРОБАЦИЯ
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ А

Скачать архив (633.84 Кб) Сколько стоит заказать работу?

Файлы: 1 файл

курсовая работа(2003).doc

— 995.00 Кб (Скачать файл)

Цель работы: освоить первичный анализ данных в системе STATISTICA

Постановка задачи:Для предметной области и соответствующего признакового описания объектов (из лабораторной работы 1) выполнить первичный статистический анализ.

Задание 1. Освоить вероятностный калькулятор и простейшие приемы работы с ним (см. п. 2.1).

Задание 2. Изучить поведение графика нормального закона распределения при изменении его параметров (см. п. 2.1).

Задание 3. Изучить правила 2 и 3 сигма (см. п. 2.1).

Задание 4. Познакомиться с возможностями STATISTICA по работе с распределением хи-квадрат (см. п. 2.1).

Задание 5. Познакомиться с возможностями STATISTICA по работе с t-распределением Стьюдента. График его плотности. Сравнение с нормальным распределением (см. п. 2.1).

Задание 6. Познакомиться с возможностями STATISTICA по работе с F- распределением (см. п. 2.1).

Задание 7. Познакомиться с возможностями STATISTICA по работе с логарифмически-нормальным распределением (см. п. 2.1).

Задание 8. Познакомиться с возможностями STATISTICA по генерации псевдослучайных чисел (см. п. 2.2).

Задание 9. Визуализация данных и настройка графика в STATISTICA (см. п. 2.3).

Задание 10. Изучить на примере частотный анализ в STATISTICA (см. п. 2.3). Выполнить исследование эффективности рекламы для данных из упражнения в п. 2.3.

Задание 11. Оформить отчет.

1 Пояснительная записка

3.1 Вероятностный калькулятор

Mean – 0,5

Mean – 2,5

St. dev -1

St. dev - 4

3.3 Правила 2 и 3 сигма

95,45 %

99,73%

3.4 Распределение хи-квадрат

3.5 t-распределение Стьюдента. График его плотности./p>

3.6 F- распределение

3.7 Логарифмически-нормальное распределение

3.8 Генерация псевдослучайных чисел

Визуализация данных и настройка графика в STATISTICA

Зависимость цены от ширины

Настроенный график зависимости цены от ширины

Таблица с новыми значениями цены

3.10 Частотный анализ в STATISTICA. Исследование эффективности рекламы.

Рассмотрим следующие данные об обороте фирмы до и после публикации рекламы.

График для переменных «Оборот фирмы» До и ПОСЛЕ рекламы

Электронная таблица результатов

<ol> <li>Правила 2 и 3 сигма <li>Особенности распределения хи-квадрат <li>Особенности t- распределения Стьюдента <li>Особенности F- распределения <li>Особенности логарифмически-нормального распределения </ol>

</body></html>

Lab4.html

<h2>Лабораторная работа № 4. РЕГРЕССИОННЫЙ АНАЛИЗ В СИСТЕМЕ STATISTICA</h2>

Цель работы: освоить регрессионный анализ данных в системе STATISTICA

Постановка задачи:Для предметной области и соответствующего признакового описания объектов выполнить регрессионный анализ.

Задание 1. Для задачи: курсы акций Иркутскэнерго и Красноярскэнерго (см. п. 3.2) построить множественную линейную модель в модуле Множественная регрессия, освоить простейшие приемы работы с ним. Для этого выполнить действия: создать файл с данными и выполнить последовательность шагов для получения итоговых результатов, прокомментировать полученные результаты.

Задание 2. Для задачи: стоимость эксплуатация самолетов (см. п. 3.3) построить множественную линейную модель в модуле Множественная регрессия аналогично, как и в задании 1.

Задание 3. Для задачи: цена жилого дома (см. п. 3.4) построить множественную линейную модель в модуле Множественная регрессия аналогично, как и в задании 1.

Задание 4. Познакомиться с использованием инструмента КИСТЬ для анализа данных: точечной, прямоугольной и лассо в STATISTICA.

Задание 5. Для задачи: цена марочного портвейна (см. п. 3.7) построить множественную линейную модель в модуле Множественная регрессия аналогично, как и в задании 1.

Задание 6. Для задачи: душевой доход и потребление (см. п. 3.7) построить множественную линейную модель в модуле Множественная регрессия аналогично, как и в задании 1.

Задание 7. Для задачи: расходы на строительство атомных станций (см. п. 3.7) построить множественную линейную модель в модуле Множественная регрессия аналогично, как и в задании 1.

Задание 8. Оформить отчет.

2 Контрольные вопросы

<ol> <li>Постановка задачи в рамках классической регрессионной модели

<li>Схема математического решения задачи в рамках классической регрессионной модели <li>Коэффициент детерминации. Определение и значение в регрессионном анализе. <li>Структура и значение компонентов информационной части результатов регрессионного анализа в STATISTICA.

<li>Диалоговое окно Анализ остатков и анализ адекватности построенной модели. </ol>

</body></html>

Lab5.html

<h2>Лабораторная работа № 5. ДИСКРИМИНАНТНЫЙ АНАЛИЗ В СИСТЕМЕ STATISTICA</h2>

Цель работы: освоить дискриминантный анализ данных в системе STATISTICA

Постановка задачи:Для предметной области и соответствующего признакового описания объектов выполнить дискриминантный анализ.

Задание 1. Для задачи: классификация цветов ириса (см. 5.4 в поясни-тельной записке) выполнить дискриминантный анализ.

Задание 2. Оформить отчет.

1 Пояснительная записка

5.1 Введение в дискриминантный анализ

Дискриминантный анализ является одним из методов многомерного статистического анализа. Цель дискриминантного анализа состоит в том, чтобы на основе измерения различных характеристик (признаков, параметров) объекта классифицировать его, то есть отнести к одной из нескольких групп (классов) некоторым оптимальным способом. Под оптимальным способом понимается либо минимум математического ожидания потерь, либо минимум вероятности ложной классификации. Этот вид анализа является многомерным, так как измеряется несколько параметров объекта, по крайней мере больше одного, например, температура, влажность в технологическом процессе, давление, состав крови, температура больного и т.д.

5.2 Постановка задачи дискриминантного анализа

Предположим, имеется n объектов с m характеристиками. В результате измерений каждый объект характеризуется вектором х1, ... хm, m >1. Задача состоит в том, чтобы по результатам измерений отнести объект к одной из нескольких групп (классов) G1, ... Gk, k >=2. Иными словами, нужно построить решающее правило, позволяющее по результатам измерений параметров объекта указать группу, к которой он принадлежит. Число групп заранее известно, также известно, что объект заведомо принадлежит к определенной группе.

5.3 Предположения и ограничения в дискриминантом анализе

Дискриминантный анализ «работает» при выполнении ряда предположений. Предположение о том, что наблюдаемые величины — измеряемые ха-рактеристики объекта — имеют нормальное распределение. Это предположение следует проверять

5.4 Классификация цветов ириса в STATISTICA

Шаг 1. Из Переключателя модулей STATISTICA открываем стартовую панель модуля Discriminant function analysis (Дискриминантный функциональный анализ).

Рис. 5.4.1. Стартовая панель модуля Дискриминантный анализ

Шаг 2. Нажимаем кнопку Open Data (Открыть данные) и открываем файл данных Irisdat.sia из каталога Examples. Следующий файл данных появится на экране:

Рис. 5.4.2. Файл данных Iris.sta

Шаг З. Нажимаем кнопку Variables (Переменные) и выбираем переменные, для анализа. В качестве Группирующей переменной – Grouping variable выбираем переменную IRISTYPE – ТИПИРИСА. В качестве Независимых переменных – Independent variables выбираем переменные SEPALLEN - ДЛИНА ЧАШЕЛИСТИКА, SEPALWD - ШИРИНА ЧАШЕЛИСТИКА, PETALLEN -ДЛИНА ПЕСТИКА, PETALWD - ШИРИНА ПЕСТИКА.

Шаг 4. Нажимаем кнопку ОК и открываем диалоговое окно Model Definition (Определение модели).

Рис. 5.4.3. Окно определения модели дискриминантного анализа

Делаем установки, как показано на рисунке 5.4.3. Нажимаем кнопку ОК и запускаем вычислительную процедуру, реализующую пошаговый метод включения.

Шаг 5. Всесторонне просмотрим итоги в диалоговом окне Результаты днскриминантного анализа.

Рис. 5.4.4. Окно результатов дискриминантного анализа данных из файла Iris.sta

Нажимаем кнопку Variables in the model (Переменные, включенные в модель).

Рис. 5.4.5. Итоговая таблица анализа данных из файла Iris.sta

Рис. 5.4.6. Разделение трех типов ириса

Просмотрим функции классификации. В диалоговом окне Результаты (рис. 5.4.4) дискриминантного анализа нажимаем кнопку Classification functions (Функции классификации).

Рис. 5.4.7. Функции классификации, построенные пошаговым методом вперед

Рис. 5.4.8. Расстояния Махаланобиса для данных из файла iris.sta

Рис. 5.4.9. Таблица апостериорных вероятностей

Информация о работе Разработка электронного пособия по спецкурсу «Классификация экспериментальных данных»