Reader Teil 5: Clusteranalyse
|
|
- Lieselotte Stein
- vor 5 Jahren
- Abrufe
Transkript
1 r. Katharina est Sommersemester Mai 2011 Reader Teil 5: Clusteranalyse WiMa-raktikum ei der Clusteranalyse wollen wir Gruppen in aten auffinden. ie Aufgabe ist, in vorhandenen aten Klassen resp. Cluster so zu bestimmen, dass sich die lemente einer Klasse ähneln währed diejenigen aus unterschiedlichen Klassen möglichst unterschiedlich sind. etrachten Sie dazu die Abbildung 1. Wie ließe sich da gruppieren? Relativer Anteil der andwirtschaft in % ruttosozialprodukt Abbildung 1: ie aten sind rhebungen der U aus dem Jahr ie waagrechte Achse zeigt das ruttosozialprodukt, die senkrechte den relativen Anteil der andwirtschaft am ruttosozialprodukt. ie unkte stellen die änder da, sind jedoch unbeschriftet. Seite 1 von 5
2 Katharina est: Wima-raktikum Reader 1 Vorgehen der Clusteranalyse ie Verfahren der Clusteranalyse unterscheiden sich im Aufbau in ihrem istanz- bzw. Ähnlichkeitsbegriff und ihrer algorithmischen Ausrichtung. artitionierende Verfahren ine Zielfunktion soll optimiert werden. Zu diesem Zweck wird eine artition der unkte festgelegt und diese werden mittels ermutationen und anderen Austauschfunktionen den einzelnen Klassen zugeordnet. Hierbei ist die Anzahl der Klassen von vornherein feststehend. Hierarchische Verfahren s kann der top-down oder der bottom-up Ansatz gewählt werden. abei wird von der feinsten (jedes lement in einer eigenen Menge) resp. gröbsten artition (eine Menge) ausgegangen. Anschließend werden diese artitionen zusammengefasst resp. aufgespalten. Augenscheinlich ist, dass hier eine Abbruchbedingung von Nöten ist, denn sonst endet man mit der gröbsten resp. feinsten artition. 2 istanz- und Ähnlichkeitsmaße 2.1 efinition des istanzmaßes in istanzmaß auf dem Raum S ist eine Abbildung δ : S S [0, ) mit δ(x, x) = 0 und δ(x, y) = δ(y, x) für x, y S. Natürlich ist eine Metrik auch ein istanzsmaß. er Abstand zweier eobachtungen wird durch den Abstand ihrer Merkmalsvektoren angegeben, gemessen mit δ. 2.2 eispiele von istanzmaßen ie bekanntesten istanzmaße sind durch p-normen erzeugte Metriken, genannt Minkowski-Metriken. abei ist δ p (x, y) = x y p und ( n ) 1/p x p := x i p, (1) i=1 die bekanntesten istanzmaße sind p = 1: Manhattan-Metrik, p = 2: uklidische Abstand, p = : Maximumsabstand. Seite 2 von 5
3 Katharina est: Wima-raktikum Reader in weiteres wichtiges istanzmaß ist die Mahalanobis-istanz, gegeben durch wobei δ S := S y,n := 1 n 1 ( (y i y j ) T S y,n 1 (y i y j )) 1/2, (2) n i=1 die empirische Kovarianzmatrix der Werte y 1,... y n R r ist. (y i y j )(y i y j ) T (3) 2.3 igenschaften von istanzmaßen Skaleninvarianz in istanzmaß δ ist skaleninvariant auf der Menge {y 1,..., y n }, falls δ(y i, y j ) = δ(αy i, αy j ) gilt für alle i, j {1,..., n} und alle iagonalmatrizen α = diag(α 1,..., α r ). Translationsinvarianz in istanzmaß δ ist translationsinvariant auf der Menge {y 1,..., y n }, falls δ(y i, y j ) = δ(y i + z, y j + z) gilt für alle i, j {1,..., n} und alle z R r. nvarianz unter orthogonalen Transformationen in istanzmaß δ ist invariant unter orthogonalen Transformationen auf der Menge {y 1,..., y n }, falls δ(y i, y j ) = δ(αy i, αy j ) gilt für alle i, j {1,..., n} und alle orthogonalen Matrizen α, d. h. α T α = r, wobei r die inheitsmatrix des R r ist. ie Minkovski-Metriken sind zwar translationsinvariant, jedoch nicht skaleninvariant. er euklidische Abstand ist darüber hinaus noch invariant unter orthogonalen Transformationen. ie Mahalanobis-istanz ist so beliebt, da sie sowohl skalen- als auch translationsinvariant ist, desweiteren auch invariant unter orthogonalen Transformationen. 2.4 efinition des Ähnlichkeitsmaßes in Ähnlichkeitsmaß auf dem Raum S ist eine Abbildung ρ : S S [0, 1] mit ρ(x, x) = 1 und ρ(x, y) = ρ(y, x) für x, y S. Natürlich sind istanz- und Ähnlichkeitsmaße verwandt, allein schon dadurch, dass zwei unkte, die bezüglich eines istanzmaßes einen kleinen Abstand haben, ähnlich sind. Überlegen Sie sich, wie diese ineinander übergeführt werden können. nsbesondere bei kategorialen aten werden lieber (aus historischen Gründen) ausgewiesene Ähnlichkeitsmaße verwendet. 2.5 eispiele von Ähnlichkeitsmaßen ie bekanntesten Ähnlichkeitsmaße bei ummy-kodierten Merkmalsvektoren sind Seite 3 von 5
4 Katharina est: Wima-raktikum Reader Jacard-Koeffizient, gegeben durch ρ J (i, j) := y T i y j r (1 y i ) T (1 y j ) 1 {(1 y i ) T (1 y j )<r} + 1 {(1 y i ) T (1 y j )=r}, Czekanowsky-Koeffizient, gegeben durch ρ X (i, j) := 2y T i y j y T i y j + r (1 y i ) T (1 y j ) 1 {(1 y i ) T (1 y j )<r} + 1 {(1 y i ) T (1 y j )=r}, M-Koeffizient, gegeben durch ρ M (i, j) := yt i y j + (1 y i ) T (1 y j ). r 3 Hierarchische Verfahren 3.1 Single-inkage-Verfahren Hierbei wird der Abstand zweier Mengen A, als der minimale Abstand der lemente, δ(a, ) = min δ(i, j) i A,j definiert. ie Methode wird als Single-inkage- oder Nearest-Neighbour-Verfahren bezeichnet. 3.2 Complete-inkage-Verfahren er Abstand zweier Mengen A, ist der maximale Abstand der lemente, δ(a, ) = max δ(i, j). i A,j ie Methode wird als Complete-inkage- oder urthest-neighbour-verfahren bezeichnet. 3.3 Average-inkage-Verfahren er Abstand zweier Mengen A, mit A = n A, = n wird hier gemittelt über die inzelabstände, definiert. δ(a, ) = 1 n A n i A j δ(i, j) Seite 4 von 5
5 Katharina est: Wima-raktikum Reader single N K average complete median K N N K N K Abbildung 2: endrogramme der oberen andwirtschaftsdaten für verschiedene hierarchische Verfahren, von links nach rechts: single linkage, average linkage, complete linkage, median. 3.4 Zentroid- und Median-Verfahren ei dieser Abstandsmessung wird jeweils ein Schwerpunkt der Menge gebildet, also Y A := 1 n A i A y i und Y := 1 n j y j. as Zentroid-Verfahren gibt dann als Abstand zweier Mengen δ(a, ) = δ 2 (Y A, Y ) 2, während das Median-Verfahren δ(a, ) = δ 1 (Y A, Y ), wählt. 4 Abbruch des hierarchischen rozesses 4.1 arstellung der Clusterbildung as Vorgehen des Vereinigens kann mit einem endrogramm dargestellt werden. Hierbei werden Klassen minimaler istanz verbunden. ie istanzen werden durch die Abstände zwischen den Verbindungen kodiert, siehe dazu die Abbildung 2 So kann visuell eine geeignete istanz, in der das Verfahren abgebrochen wird, bestimmt werden. arüber hinaus erhält man eine schöne Visualisierung des ffektes der verschiedenen Abstandsmaße. 4.2 Clusteranzahl as visuelle Vorgehen von oben kann auch funktional aufbereitet werden. azu wird eine unktion ϕ mittels ϕ(k) := min δ(a, ) (4) A, artition zur Zeit k+1 definiert, die Abstände der Zukunft abbildet und deren Steigung dann ein Abbruchkriterium liefert. Seite 5 von 5
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07
Statistik IV für Studenten mit dem Nebenfach Statistik Lösungen zu Blatt 9 Gerhard Tutz, Jan Ulbricht SS 07 Ziel der Clusteranalyse: Bilde Gruppen (cluster) aus einer Menge multivariater Datenobjekte (stat
Mehr4.Tutorium Multivariate Verfahren
4.Tutorium Multivariate Verfahren - Clusteranalyse - Hannah Busen: 01.06.2015 und 08.06.2015 Nicole Schüller: 02.06.2015 und 09.06.2015 Institut für Statistik, LMU München 1 / 17 Gliederung 1 Idee der
MehrMultivariate Verfahren
Multivariate Verfahren Lineare Regression Zweck: Vorhersage x Dimensionsreduktion x x Klassifizierung x x Hauptkomponentenanalyse Korrespondenzanalyse Clusteranalyse Diskriminanzanalyse Eigenschaften:
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
MehrEntscheidungen bei der Durchführung einer Cluster-Analyse
7712Clusterverfahren Entscheidungen bei der Durchführung einer Cluster-Analyse nach: Eckes, Thomas, und Helmut Roßbach, 1980: Clusteranalysen; Stuttgart:Kohlhammer A. Auswahl der Merkmale Festlegung des
Mehr4.4 Hierarchische Clusteranalyse-Verfahren
Clusteranalyse 18.05.04-1 - 4.4 Hierarchische Clusteranalyse-Verfahren Ablauf von hierarchischen Clusteranalyse-Verfahren: (1) Start jedes Objekt sein eigenes Cluster, also Start mit n Clustern (2) Fusionierung
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrProjektgruppe. Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten
Projektgruppe Jennifer Post Clustering und Fingerprinting zur Erkennung von Ähnlichkeiten 2. Juni 2010 Motivation Immer mehr Internet-Seiten Immer mehr digitale Texte Viele Inhalte ähnlich oder gleich
MehrStrukturerkennende Verfahren
Strukturerkennende Verfahren Viele Verfahren der multivariaten Datenanalyse dienen dazu, die in den Daten vorliegenden Strukturen zu erkennen und zu beschreiben. Dabei kann es sich um Strukturen sehr allgemeiner
MehrLösungen zu den Aufgaben zur Multivariaten Statistik Teil 4: Aufgaben zur Clusteranalyse
Prof. Dr. Reinhold Kosfeld Fachbereich Wirtschaftswissenschaften Universität Kassel Lösungen zu den Aufgaben zur Multivariaten Statistik Teil 4: Aufgaben zur Clusteranalyse 1. Erläutern Sie, wie das Konstrukt
MehrÄhnlichkeits- und Distanzmaße
Ähnlichkeits- und Distanzmaße Jörg Rahnenführer, Multivariate Verfahren, WS89, TU Dortmund 11.1.8-1 - Ähnlichkeits- und Distanzmaße Jörg Rahnenführer, Multivariate Verfahren, WS89, TU Dortmund 11.1.8 -
MehrClustern: Voraussetzungen
Clustering Gruppen (Cluster) ähnlicher Elemente bilden Elemente in einem Cluster sollen sich möglichst ähnlich sein, u. den Elementen in anderen Clustern möglichst unähnlich im Gegensatz zu Kategorisierung
MehrClustering 2010/06/11 Sebastian Koch 1
Clustering 2010/06/11 1 Motivation Quelle: http://www.ha-w.de/media/schulung01.jpg 2010/06/11 2 Was ist Clustering Idee: Gruppierung von Objekten so, dass: Innerhalb einer Gruppe sollen die Objekte möglichst
MehrDie Clusteranalyse 24.06.2009. Clusteranalyse. Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele. methodenlehre ll Clusteranalyse
Clusteranalyse Thomas Schäfer SS 2009 1 Die Clusteranalyse Grundidee Mögliche Anwendungsgebiete gg Vorgehensweise Beispiele Thomas Schäfer SS 2009 2 1 Die Clusteranalyse Grundidee: Eine heterogene Gesamtheit
MehrClusteranalyse. Mathematische Symbole Anzahl der Objekte, Versuchspersonen
Clusteranalyse Ziel: Auffinden von Gruppen ( Cluster ) ähnlicher Obekte (bezogen auf die ausgewählten Variablen). Obekte i selben Cluster haben ähnliche Eigenschaften, Obekte in verschiedenen Clustern
MehrZiel: Unterteilung beobachteter Objekte in homogene Gruppen. Vorab meist weder Anzahl noch Charakteristika der Gruppen bekannt.
8 Clusteranalyse Ziel: Unterteilung beobachteter Objekte in homogene Gruppen. Vorab meist weder Anzahl noch Charakteristika der Gruppen bekannt. Anwendungsbeispiele: Mikrobiologie: Ermittlung der Verwandtschaft
MehrEinführung in die Ähnlichkeitsmessung
Einführung in die Ähnlichkeitsmessung Reading Club SS 2008 Similarity Stefanie Sieber stefanie.sieber@uni-bamberg.de Lehrstuhl für Medieninformatik Otto-Friedrich-Universität Bamberg Agenda Worum geht
Mehr1 Grundlagen der Numerik
1 Grundlagen der Numerik 1.1 Gleitpunkt-Arithmetik Es gibt nur endlich viele Zahlen auf dem Computer. Gleitpunktzahl: x = σmb E σ: Vorzeichen B: Basis (feste Zahl >1); M: Mantisse E: Exponent B = 2 : Dualzahl
MehrCharakterisierung von 1D Daten
Charakterisierung von D Daten Mittelwert: µ, Schätzung m x = x i / n Varianz σ2, Schätzung: s2 = (s: Standardabweichung) Höhere Momente s 2 = ( x i m x ) 2 n ( ) Eine Normalverteilung ist mit Mittelwert
MehrÄhnlichkeits- und Distanzmaße
Einheit 1 Ähnlichkeits- und Distanzmaße IFAS JKU Linz c 2015 Multivariate Verfahren 1 0 / 41 Problemstellung Ziel: Bestimmung von Ähnlichkeit zwischen n Objekten, an denen p Merkmale erhoben wurden. Die
MehrUnüberwachtes Lernen
Unüberwachtes Lernen Mustererkennung und Klassifikation, Vorlesung No. 12 M. O. Franz 17.01.2008 Übersicht 1 Hauptkomponentenanalyse 2 Nichtlineare Hauptkomponentenanalyse 3 K-Means-Clustering Übersicht
MehrOrthonormalisierung. ein euklidischer bzw. unitärer Vektorraum. Wir setzen
Orthonormalisierung Wie schon im Falle V = R n erwähnt, erhalten wir durch ein Skalarprodukt eine zugehörige Norm (Länge) eines Vektors und in weiterer Folge eine Metrik (Abstand zwischen zwei Vektoren).
MehrKlausurenkurs zum Staatsexamen (WS 2013/14): Lineare Algebra und analytische Geometrie 7
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 3/4): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr, Thema 3, Aufgabe 4) Im R 3 seien die beiden Ebenen E : 6x+4y z = und E : +s +t 4 gegeben.
MehrForschungsmethodik II, SS 2010
Forschungsmethodik II, SS 2010 Michael Kickmeier-Rust Teil 5, 26. Mai 2010 Prinzipien statistischer Verfahren: Conclusio 1 Prinzipien statistischer Verfahren > χ 2 Beispiel: 4-Felder χ 2 Beobachtet: Erwartet:
MehrVII Unüberwachte Data-Mining-Verfahren
VII Unüberwachte Data-Mining-Verfahren Clusteranalyse Assoziationsregeln Generalisierte Assoziationsregeln mit Taxonomien Formale Begriffsanalyse Self Organizing Maps Institut AIFB, 00. Alle Rechte vorbehalten.
Mehr1.5 Kongruenz und Ähnlichkeit
19 1.5 Kongruenz und Ähnlichkeit Definition Sei A n der affine Standardraum zum Vektorraum R n. Eine Abbildung F : A n A n heißt Isometrie, falls d(f (X), F (Y )) = d(x, Y ) für alle X, Y A n gilt. Es
MehrKlassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
MehrKlausurenkurs zum Staatsexamen (SS 2014): Lineare Algebra und analytische Geometrie 7
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 4): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr, Thema 3, Aufgabe 4) Im R 3 seien die beiden Ebenen E : 6x+4y z = und E : +s +t 4 gegeben.
MehrKlausurenkurs zum Staatsexamen (SS 2015): Lineare Algebra und analytische Geometrie 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 5): Lineare Algebra und analytische Geometrie 6 6. (Herbst, Thema, Aufgabe 4) Der Vektorraum R 4 sei mit dem Standard Skalarprodukt versehen. Der Unterraum
MehrClusteranalyse. Florian Löwenstein. Clusteranalyse eoda GmbH
Florian Löwenstein www.eoda.de 1 Übersicht Hypothesenfreies Verfahren Gehört zur Familie der Data-Mining-Techniken Ganze Verfahrensfamilie Ziel: Informationsreduktion und damit verbunden Abstraktion Typische
MehrRückblick auf die letzte Vorlesung
Rückblick auf die letzte Vorlesung 1. Integration (Fortsetzung) 2. Existenz von Integralen auf Quadern und allgemeineren Mengen 3. Satz von Fubini 4. Berechnung von Integralen 5. Volumina 6. Normalgebiete
MehrFormelsammlung zur Lehrveranstaltung Statistische Analyseverfahren. 4. Februar 2019
Formelsammlung zur Lehrveranstaltung Statistische Analyseverfahren 4 Februar 2019 Inhaltsverzeichnis 1 Diskriminanzanalyse 1 11 ML-Diskrimination für zwei Normalverteilungen mit identischen Kovarianzmatrizen
Mehr... Text Clustern. Clustern. Einführung Clustern. Einführung Clustern
Clustern Tet Clustern Teile nicht kategorisierte Beispiele in disjunkte Untermengen, so genannte Cluster, ein, so daß: Beispiele innerhalb eines Clusters sich sehr ähnlich Beispiele in verschiedenen Clustern
MehrP-Median Problem. Michael Enser Anzahl der ausgewählten Standorte oder Mediane
P-Median Problem Michael nser 4..20 Inhaltsverzeichnis Allgemeines p-median-problem. Allgemeine ention............................. 2.2 in kleines eispiel.............................. 2 2 -median Problem
MehrDeterminante und Inverse
Vorzeigeaufgaben: Determinante und Inverse Bestimmen Sie für welche a R die folgende Matrix invertierbar ist und berechnen Sie deren Inverse: A = a cos(x) sin(x) a sin(x) cos(x) Bestimmen Sie ob folgende
MehrSeminar Einführung in die Kunst mathematischer Ungleichungen
Seminar Einführung in die Kunst mathematischer Ungleichungen Geometrie und die Summe von Quadraten Clara Brünn 25. April 2016 Inhaltsverzeichnis 1 Einleitung 2 1.1 Geometrie allgemein.................................
MehrMethoden der Klassifikation und ihre mathematischen Grundlagen
Methoden der Klassifikation und ihre mathematischen Grundlagen Mengenlehre und Logik A B "Unter einer 'Menge' verstehen wir jede Zusammenfassung M von bestimmten wohlunterschiedenen Objekten unserer Anschauung
MehrLineare Algebra für D-ITET, D-MATL, RW. Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru T. Welti
Dr. V. Gradinaru T. Welti Herbstsemester 27 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Serie Aufgabe. Multiple Choice: Online abzugeben..a) Bezüglich des euklidischen Skalarprodukts in R
MehrNumerik I. Aufgaben und Lösungen
Universität zu Köln SS 2009 Mathematisches Institut Prof Dr C Tischendorf Dr M Selva, mselva@mathuni-koelnde Numerik I Musterlösung Übungsblatt 4, Kondition (5 Punkte) Aufgaben Lösungen (4 Punkte) Zeigen
MehrVorkurs Mathematik. Vektoren, lineare Gleichungssysteme und Matrizen
Dorfmeister, Boiger, Langwallner, Pfister, Schmid, Wurtz Vorkurs Mathematik TU München WS / Blatt Vektoren, lineare Gleichungssysteme und Matrizen. In einem kartesischen Koordinatensystem des R sei eine
MehrVF-2: 2. Es seien x = 1 3 und y = π Bei der Berechnung von sin(x) sin(y) in M(10, 12, 99, 99) tritt. Auslöschung auf.
IGPM RWTH Aachen Verständnisfragen-Teil NumaMB H11 (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Es müssen mindestens zwei
MehrSkalarprodukt, Norm & Metrik
Skalarprodukt, Norm & Metrik Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 11. Mai 2016 Stefan Ruzika 5: Skalarprodukt, Norm & Metrik 11. Mai 2016 1 / 13 Gliederung 1
MehrClusteranalyse. Gliederung. 1. Einführung 2. Vorgehensweise. 3. Anwendungshinweise 4. Abgrenzung zu Faktorenanalyse 5. Fallbeispiel & SPSS
Clusteranalyse Seminar Multivariate Verfahren SS 2010 Seminarleiter: Dr. Thomas Schäfer Theresia Montag, Claudia Wendschuh & Anne Brantl Gliederung 1. Einführung 2. Vorgehensweise 1. Bestimmung der 2.
Mehr17. Orthogonalsysteme
17. Orthogonalsysteme 17.1. Winkel und Orthogonalität Vorbemerkung: Sei V ein Vektorraum mit Skalaprodukt, und zugehöriger Norm, dann gilt nach Cauchy-Schwarz: x, y V \ {0} : x, y x y 1 Definition: (a)
MehrEine Affinität α eines euklidischen Raumes heißt eine Bewegung, wenn sie Abstände (und damit auch Winkel) erhält, wenn also für alle Punkte X, Y gilt:
5 Zur Geometrie euklidischer Bewegungen 5.1 Bewegungen Eine Affinität α eines euklidischen Raumes heißt eine Bewegung, wenn sie Abstände (und damit auch Winkel) erhält, wenn also für alle Punkte X, Y gilt:
MehrInhaltsverzeichnis 1. EINLEITUNG...1
VII Inhaltsverzeichnis Vorwort...V Verzeichnis der Abbildungen...XII Verzeichnis der Tabellen... XVI Verzeichnis der Übersichten...XXII Symbolverzeichnis... XXIII 1. EINLEITUNG...1 2. FAKTORENANALYSE...5
MehrProbeklausur zur Linearen Algebra 2
Probeklausur zur Linearen Algebra Sommersemester Universität Heidelberg Mathematisches Institut Dr. D. Vogel Michael Maier Lösung Aufgabe. a) Die Aussage stimmt. Beweis: Da a (b) und b (a) gibt es c,d
MehrChemometrie: von Daten zu Information
Chemometrie: von Daten zu Information Chemometrie: Definition Warnungen Daten von Anscombe: numerisch x y x y x y x y 0 8.04 0 9.4 0 7.46 8 6.58 8 6.95 8 8.4 8 6.77 8 5.76 3 7.58 3 8.74 3 2.74 8 7.7 9
MehrHilberts Drittes Problem
Hilberts rittes Problem Oliver Fortmeier Auf dem internationalen Kongress für Mathematiker 1900 in Paris formulierte Hilbert sein rittes Problem: Zwei Tetraeder mit gleicher Grundfläche und von gleicher
MehrKlassische Theoretische Physik II (Theorie B) Sommersemester 2016
Karlsruher Institut für Technologie Institut für Theorie der Kondensierten Materie Klassische Theoretische Physik II (Theorie B Sommersemester 6 Prof. Dr. Alexander Mirlin Musterlösung: Blatt. PD Dr. Igor
MehrGrundlagen der Statistik Übung FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft
Grundlagen der Statistik Übung 5 2009 FernUniversität in Hagen Alle Rechte vorbehalten Fakultät für Wirtschaftswissenschaft Übersicht über die mit den Übungsaufgaben geprüften Lehrzielgruppen Lehrzielgruppe
MehrMethode der kleinsten Quadrate
Versus QR Matrizen mit vollem Rang 27. Mai 2011 Versus QR Inhaltsverzeichnis 1 2 3 Beispiel 4 Beispiel 5 6 Versus QR Kondition Vergleich Beispiel Versus QR Zu finden: Gerade, die den Punkten (0, 6), (1,
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrKlausurenkurs zum Staatsexamen (SS 2016): Lineare Algebra und analytische Geometrie 6
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (SS 6): Lineare Algebra und analytische Geometrie 6 6. (Herbst, Thema, Aufgabe 4) Der Vektorraum R 4 sei mit dem Standard Skalarprodukt versehen. Der Unterraum
MehrVektoren - Basiswechsel - Matrix
Vektoren - asiswechsel - Matrix 1. Prinzip er Zusammenhang zwischen zwei asissystemen sollen formal eleganter durchgeführt werden. Ein Nachteil des "einfachen" Verfahrens - siehe Seite V0 - ist, dass teilweise
MehrClustering. Methods Course: Gene Expression Data Analysis -Day Four. Rainer Spang
Clustering Methods Course: Gene Expression Data Analysis -Day Four Rainer Spang Eine Krankheit Drei alternative Therapien Klinische Studie Im Mittel 75% 55% 35% Erfolg Drei Subtypen der Krankheit A B C
MehrVF-3: Es seien A R n n beliebig aber regulär, b R n und gesucht sei die Lösung x R n von A x = b.
NumaMB F14 Verständnisfragen-Teil (24 Punkte) Es gibt zu jeder der 12 Aufgaben vier Teilaufgaben. Diese sind mit wahr bzw. falsch zu kennzeichnen (hinschreiben). Bewertung: Vier Fragen richtig beantwortet
MehrLineare Algebra II 11. Übungsblatt
Lineare Algebra II Übungsblatt Fachbereich Mathematik SS Prof Dr Kollross 9 / Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest (Bearbeitung innerhalb von Minuten und ohne Benutzung des
MehrAngewandte Geometrie Semestralprüfung am 5. Juli 2005, Uhr
Technische Universität München SS 2005 Zentrum Mathematik Blatt 7 apl. Prof. Dr. J. Hartl Angewandte Geometrie Semestralprüfung am 5. Juli 2005, 12.00-1.0 Uhr 1. In einem dreidimensionalen euklidischen
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrKapitel 3. Minkowski-Raum. 3.1 Raumzeitlicher Abstand
Kapitel 3 Minkowski-Raum Die Galilei-Transformation lässt zeitliche Abstände und Längen unverändert. Als Länge wird dabei der räumliche Abstand zwischen zwei gleichzeitigen Ereignissen verstanden. Solche
MehrFormelsammlung Klassische Feldtheorie
Formelsammlung Klassische Feldtheorie 6 (Pseudo-)Orthogonale Gruppen 1. Definition Gruppe: Menge G mit einer Operation (g 1,g 2 ) G G g 1 g 2 G (Multiplikation) (1) die folgende Bedingungen erfüllt: Assoziativität:
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen LACE Katharina Morik LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund 28.1.2014 1 von 71 Gliederung 1 Organisation von Sammlungen Web 2.0
Mehrgegeben: G sei endliche Gruppe, jede Untergruppe von G sei ein Normalteiler zu zeigen: je zwei Elemente teilerfremder Ordnung kommutieren
Stefan K. 4.Übungsblatt Algebra I Aufgabe 1 gegeben: G sei endliche Gruppe, jede Untergruppe von G sei ein Normalteiler von G zu zeigen: je zwei Elemente teilerfremder Ordnung kommutieren Beweis: Seien
MehrKlausur Mathematik I
Technische Universität Dresden 15. August 2008 Institut für Numerische Mathematik Dr. K. Eppler Klausur Mathematik I für Studierende der Fakultät Maschinenwesen (mit Lösungshinweisen) Name: Matrikelnummer.:
MehrInhalt. 1 Unvollständige Clusteranalyseverfahren 35
Inhalt i Einleitung 15 1.1 Zielsetzung clusteranalytischer Verfahren 15 1.2 Homogenität als Grundprinzip der Bildung von Clustern 16 1.3 Clusteranalyseverfahren 18 1.4 Grundlage der Clusterbildung 20 1.5
MehrZeichnen Sie die Geraden mit den Gleichungen: a) y = 4 x + 1; b) 2y + 3x = 7; c) f(x) = 1 x 3 ; d) x -2 x + 3
Zusättzlliiche Übungen zu lliinearren Funkttiionen Aufgabe Zeichnen Sie die Geraden mit den Gleichungen: a) y = x + ; b) y + x = ; c) f(x) = x ; d) x - x + e) + =. Was fällt bei der Gerade e) auf? Aufgabe
Mehr6. Multivariate Verfahren Zufallszahlen
4. Zufallszahlen 6. Multivariate Verfahren Zufallszahlen - werden nach einem determinist. Algorithmus erzeugt Pseudozufallszahlen - wirken wie zufäll. Zahlen (sollen sie jedenfalls) Algorithmus: Startwert
MehrZusammenfassung des 2. Abends
lgorithmen in der iologie r. Hans-Joachim öckenhauer r. ennis Komm Zusammenfassung des. bends Zürich, 0. pril 0 lignment-verfahren Für einen Überblick über die lignment-lgorithmen zur estimmung der Ähnlichkeit
MehrLineare Algebra. 9. Übungsstunde. Steven Battilana. stevenb student.ethz.ch battilana.uk/teaching
Lineare Algebra 9. Übungsstunde Steven Battilana stevenb student.ethz.ch battilana.uk/teaching November, 07 Erinnerung Ein Skalarprodukt ist eine Abbildung, : E n E n E, (v, w) v, w n k v kw k so dass:
MehrHans Delfs. Übungen zu Mathematik III für Medieninformatik
Hans Delfs Übungen zu Mathematik III für Medieninformatik 1 RÄUMLICHE DARSTELLUNGEN VON OBJEKTEN 1 1 Räumliche Darstellungen von Objekten Der Einheitswürfel ist der achsenparallele Würfel in A 3, der von
MehrLösungen zur Klausur über Lie-Algebren
Universität zu Köln Sommersemester 2017 Mathematisches Institut 19. Juli 2017 Prof. Dr. P. Littelmann Lösungen zur Klausur über Lie-Algebren Dies ist keine Muster -Lösung, sondern eine Hilfe um die Lösung
MehrProbeklausur zur Analysis 2, SoSe 2017
BERGISCHE UNIVERSITÄT WUPPERTAL 21717 Fakultät 4 - Mathematik und Naturwissenschaften Prof N V Shcherbina Dr T P Pawlaschyk wwwkanauni-wuppertalde Probeklausur zur Analysis 2, SoSe 217 Hinweis Die Lösungen
MehrDistanzen und Ähnlichkeitsmaÿe
Distanzen und Ähnlichkeitsmaÿe Michael Siebers Kognitive Systeme Universität Bamberg 25. Mai 2011 M. Siebers (KogSys) Distanzen und Ähnlichkeitsmaÿe 25. Mai 2011 1 / 14 Agenda 1 Distanzen 2 Ähnlichkeitsmaÿe
MehrLösungen zu Blatt 13 der Übungen zur Vorlesung Numerik, LMU München, Wintersemester 2016/2017
Lösungen zu Blatt 13 der Übungen zur Vorlesung Numerik, LMU München, Wintersemester 01/017 Peter Philip, Sabine Bögli. Januar 017 1. 10 Punkte) a) Betrachten Sie R mit der Maximumsnorm. Berechnen Sie die
MehrAngewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 46 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
Mehrmicrom Gruppen Gruppen-Tabelle bzw. die Gruppen im Überblick
microm ruppen rob skizziert n den Städten und auf dem existieren ganz unterschiedliche Wohngebiete wie z.. Städtische Problemgebiete und bevölkerung. ie microm ruppen beschreiben die Wohnumfelder der Menschen,
Mehr51 Numerische Berechnung von Eigenwerten und Eigenvektoren
5 Numerische Berechnung von Eigenwerten und Eigenvektoren 5. Motivation Die Berechnung der Eigenwerte einer Matrix A IR n n als Lösungen der charakteristischen Gleichung (vgl. Kapitel 45) ist für n 5 unpraktikabel,
MehrClustering. Clustering:
Clustering Clustering: Gruppierung und Einteilung einer Datenmenge nach ähnlichen Merkmalen Unüberwachte Klassifizierung (Neuronale Netze- Terminologie) Distanzkriterium: Ein Datenvektor ist zu anderen
Mehr4.3 Hierarchisches Clustering
4.3 Hierarchisches Clustering k-means teilt Daten in disjunkte flache Cluster auf, die in keiner Beziehung zueinander stehen Hierarchische Clusteranalyse erzeugt eine Folge C 1,...,C n von Clusterings,
Mehr3: Bewegungen und Ähnlichkeiten:
3: Bewegungen und Ähnlichkeiten: Was sind kongruente (bzw. deckungsgleiche) Figuren? [Box2-94] [Kra2-138] [Rei2-173a] [Rei2-173b] Zwei Teilmengen M,M einer Euklidischen Ebene (E,G) heißen kongruent, wenn
MehrKlassifikation durch direkten Vergleich (Matching)
Klassifikation durch direkten Vergleich (Matching) Eine triviale Lösung für die Klassifikation ergibt sich durch direkten Vergleich des unbekannten Musters in allen Erscheinungsformen der Äquivalenzklasse
MehrWenn PCA in der Gesichtserkennung eingesetzt wird heißen die Eigenvektoren oft: Eigenfaces
EFME-Zusammenfassusng WS11 Kurze Fragen: Wenn PCA in der Gesichtserkennung eingesetzt wird heißen die Eigenvektoren oft: Eigenfaces Unter welcher Bedingung konvergiert der Online Perceptron Algorithmus?
Mehr3 Geometrische Klassifikation der Bewegungen im R 2 und R 3
3 Geometrische Klassifikation der Bewegungen im R 2 und R 3 Sei f : R n R n eine Bewegung Sie kann beschrieben werden in der Form Dabei ist T (f)(x) = A x f(x) = Ax + b mit A O(n) und b R n Definition:
MehrClustering. Uwe Reichel IPS, LMU München 19. Mai 2010
Clustering Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 19. Mai 2010 Inhalt Grundidee Vektoralgebra Distanzmaße Clusterrepräsentation Flaches Clustern Single Pass Reallokation Kmeans
MehrKlausurenkurs zum Staatsexamen (WS 2015/16): Lineare Algebra und analytische Geometrie 7
Dr. Erwin Schörner Klausurenkurs zum Staatsexamen (WS 5/6): Lineare Algebra und analytische Geometrie 7 7. (Frühjahr 5, Thema, Aufgabe ) Sei V ein reeller Vektorraum. a) Wann nennt man eine Teilmenge U
Mehr2.7 Suche nach partikulären Lösungen bei inhomogenen linearen Dgln mit konstanten Koeffizienten. Geg.: imhomogene lin. Dgl. n-ter O. mit konst. Koeff.
2.7 Suche nach partikulären Lösungen bei inhomogenen linearen Dgln mit konstanten Koeffizienten Geg.: imhomogene lin. Dgl. n-ter O. mit konst. Koeff. a k y (k) (x) = b(x) k=0 (L) mit a 0, a 1,..., a n
MehrClusteranalyse und Display-Methoden
Ziel: Erkennen von Strukturen in Daten Vergleich der Algorithmen für die Clusteranalyse Beurteilung verschiedener Displaymethoden Stabilitätsdiagramme Betreuer: Dipl.-Chem. Stefan Hesse IAAC, Lehrbereich
MehrKapitel ML: X (Fortsetzung)
Kapitel ML: X (Fortsetzung) X. Clusteranalyse Einordnung Data Mining Einführung in die Clusteranalyse Hierarchische Verfahren Iterative Verfahren Dichtebasierte Verfahren Cluster-Evaluierung ML: X-31 Cluster
Mehr= ( n x j x j ) 1 / 2
15 Skalarprodukte 77 15 Skalarprodukte 15.1 Einführung. a) Ab jetzt sei stets K = R oder K = C, da Wurzeln eine wichtige Rolle spielen werden. b) Nach dem Satz des Pythagoras ist die Länge eines Vektors
MehrKurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof. Dr. Ulrich Reif
14 Oktober 2008 1 Kurzskript zur Vorlesung Mathematik I für MB, WI/MB und andere Prof Dr Ulrich Reif Inhalt: 1 Vektorrechnung 2 Lineare Gleichungssysteme 3 Matrizenrechnung 4 Lineare Abbildungen 5 Eigenwerte
MehrMathematisches Kaleidoskop II Materialien Teil 3. Dr. Hermann Dürkop
Mathematisches Kaleidoskop II Materialien Teil 3 Dr. Hermann Dürkop E-Mail: info@ermanus.de .3.3 Noch zwei Isomorphie-Beispiele Beispiel : Wir betrachten die Symmetrien eines nichtquadratischen Rechtecks.
MehrDr. Ralf Gutfleisch, Stadt Frankfurt a.m.
Zentrale Fragestellungen: Was Wie Wann ist eine Clusteranalyse? wird eine Clusteranalyse angewendet? wird eine Clusteranalyse angewendet? Clusteranalyse = Gruppenbildungsverfahren = eine Vielzahl von Objekten
MehrRudolf Brinkmann Seite und W = {x 3 x 6}
Rudolf Brinkmann Seite 0.0.008 Lineare Funktionen Es soll der Graph der Funktion f = {,y y = f() = } in den Bereichen D { } = und W = { 6} - - 0 f() = -6-0 6 9 erstellt werden. 6 6 5 0 Definition Eine
MehrSeminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung
M.Sc. Brice Hakwa hakwa@uni-wuppertal.de Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung - Zusammenfassung zum Thema: Berechnung von Value-at-Risk
Mehr