 |
 |
 |
 |
|
 |
 |
129
лей объектов в наибольшем классе от общего объема обучающей
выборки). На этапе собственно распознавания точность характери-
зует главным образом репрезентативность обучающей выборки (вы-
борки валидизации). Чем выше репрезентативность, тем больше
совпадают показателе точности на этапах обучения и собственно
распознавания.
Использование АВО кроме решения задачи распознавания по-
зволяет получить следующую информацию:
1. Информационные веса отдельных элементов (параметров)
описания объектов. Эти веса измеряются через изменение точности
распознавания при исключении
соответствующих параметров из
описания эталонных объектов:
a
j
a
j
a
))
(
(
)
(
(3.5.7)
где X
-
точность распознавания при Р
j
= 1;
X(
j
a
) - точность
распознавания при Р. = 0, а а - нормирующий множитель. Информа-
ционные веса интерпретируются как мера прогностической важно-
сти параметров.
2. Оптимальные значения порогов
, т. е. значения
, обес-
печивающие наивысшую точность распознавания. Эти значения по-
рогов в нашем случае можно .интерпретировать как чувствитель-
ность методики; ?
j
- своего рода дифференциальный порог на шкале
тестового показателя a
j
определяющий переход индивида из одной
диагностической категории в другую. Пусть на этапе разработки
теста (тестовой батареи) была обследована группа из К человек, про
которых известно, что K1 из них относится к одному классу, а К2 - к
другому, К = К1 + К2. Выбрав случайным образом из этой группы М
(М<<К) многомерных описаний, проводим на них процедуру обуче-
ния алгоритма. Точность обучения характеризует валидность теста.
После этого применяем процедуру собственно распознавания (по
выработанному решающему правилу) для остальных К-М описаний.
В результате этой процедуры мы определяем принадлежность рес-
пондентов (испытуемых) к этим классам. Сравнивая полученные ре-
зультаты с эталонными данными о принадлежности испытуемых к
классам, мы определяем точность самого распознавания. Если эта
точность близка к точности обучения, то наша пилотажная выборка
объемом М может быть признана репрезентативной для обучения.
Теперь можно переходить к задаче определения информационных
весов.
* * *
Для эффективного использования алгоритмов распознавания
по отношению к многомерным тестовым системам (при K>3), как
