 |
 |
 |
 |
|
 |
 |
138
Шаг 3. Определяются номера i-й строки j-го столбца, на пересечении которых расположен
отмеченный
на шаге 2 элемент. Из матрицы сходства извлекаются все значения, соответствующие i-й
строке и j-му столбцу, из которых формируются два массива значений мер сходства:
H
i
=S
i
S1
S2
S3
S
4
S
5
S
6
S
7
С(S
4
,
S
i
)
0,44
0,60
0
1
0,75
0,25
0,67
C(S
5
, S
i
)
0,55
0,5
0,73
0,75
1
0,60
0,55
Ш а г 4. Определяется мера сходства классов G (Н, Н^) одним из методов, описываемых обобщенной
формулой (5.6). Используем метод медианы. Тогда
С учетом метода медианы имеем
H
i
=S
i
S1
S2
S3
S
4
, S
5
S
6
S
7
С(S
4,5
, S
i
)
0,50
0,55
0,37
1
0,43
0,61
Полученный массив данных вписывается на место четвертой и пятой строк и четвертого и пятого
столбцов вновь формируемой матрицы сходства. Наша исходная матрица сходства примет следующий
вид:
S1
S2
S3
S
4,5
S
6
S
7
S1
1
0,62
0,50
0,55
0,55
0,5
S2
0,62
1
0,46
0,55
0,50
0,62
S3
0,50
0,46
1
0,37
0,73
0,33
S
4,5
0,50
0,55
0,37
1
0,43
0,61
S
6
0,55
0,50
0,73
0,43
1
0,36
S
7
0,50
0,62
0,33
0,61
0,36
1
На данном шаге запоминаются значения индексов вновь образованного класса (S
4,5
) и меры сходства,
при которой этот класс образовался, — С (S
4
, S
5
) = 0,75.
Шаг 5. Процедура обработки матрицы сходства вновь начинается с шага 2. Итерационный процесс
продолжается до тех пор, пока размерность матрицы сходства не уменьшится до 2 х 2. На этом процесс
построения иерархической классификации заканчивается.
В результате работы алгоритма определяются перечень индексов классов в том порядке, в котором
они объединялись в новые классы, а также уровни сходства, на которых это объединение происходило.
Для рассматриваемого примера имеем следующие результаты: