Общая психодиогностика



Download 2,85 Mb.
Pdf ko'rish
bet46/91
Sana26.02.2022
Hajmi2,85 Mb.
#471582
1   ...   42   43   44   45   46   47   48   49   ...   91
Bog'liq
Бодалев А.А. Столин В.В. Общая психодиагностика (2000)

n
i
K
i
S
j
a
B
m
j
j
P
K
S
Г
1
)),
(
(
1
)
,
(
(3.5.3) 






случе
противном
в
-
0
)
(
,
1
))
(
),
(
(
j
K
i
S
j
a
если
K
i
S
j
a
S
j
a
B

где 
K
i
S

i
-й объект, принадлежность которого к классу К уже известна;
a
i
(S) - 
i
-й элемент (параметр) в описании объекта;
P
1
- его вес;
ε
j

i
-й порог. 
После того как вычислены Г(S
1
K
1
,), ... , Г(S
1
K
1
,) на основании некоторого решающего пра-
вила (зависящего от вектора параметров 
B
, принимается решение о принадлежности объекта к 
одному или нескольким классам К
1
, ..., К
1
В задачах психодиагностики S- это испытуемый. 
Таким образом, каждый вариант АВО определяется набором значений параметров. В 
нашем случае- это векторы 
)
1
(
m
p
p
p


,
)
,...,
1
(
m




. Если информация об объекте S пред-


94 
ставлена в виде I(S) = (а
1,
..., а
2
), то элемент вектора опорных множеств ω
j
(S) = а
i
, a ε
j
-
j
-й порог. 
В качестве примера решающего правила можно привести следующее (линейное пороговое 
решающее правило): 
объект S принадлежит к классу K
t
если 



i
j
t
C
i
K
S
Г
t
i
b
1
1
)
,
(
(3.5.4) 
объект S не принадлежит к классу K
t
если 



i
j
t
C
i
K
S
Г
t
i
b
1
2
)
,
(
(3.5.5) 
в остальных случаях -отказ от распознавания принадлежности объекта S к классу K
t

В работе алгоритмов распознавания вообще и АВО в частности можно выделить два этапа: 
обучение и собственно распознавание. На этапе обучения, как уже говорилось, происходит 
настройка алгоритма, т. е. выбор таких его параметров, которые обеспечивают оптимальное в нег 
котором смысле распознавание объектов обучающей выборки (объектов, принадлежность кото-
рых к классам К
1
, ... ,K
i
, известна). На этапе собственно распознавания происходит отнесение к 
классам K
1
,..., К
i
, тех объектов, принадлежность которых к классам априорно неизвестна. 
Точность распознавания на этапе обучения измеряется полнотой и адекватностью распо-
знавания эталонных объектов. Наряду с понятием «точность» (абсолютная отделимость) иногда 
удобно использовать понятие относительной отделимости объектов обучающей выборки, при-
надлежащих к различным классам. В случае, когда распознавание ведется для двух классов 
(например, в профориентации - для дифференциального прогноза успешности оптанта в одной из 
двух профессиональных областей), относительную отделимость можно определить как 
min
100
min
X
X
X


(3.5.6) 
где 
X
- точность при обучении (выраженная в процентах), a 
min
X
-минимальная возмож-
ная точность обучения (совпадает с долей объектов в наибольшем классе от общего объема обу-
чающей выборки). На этапе собственно распознавания точность характеризует главным образом 
репрезентативность обучающей выборки (выборки валидизации). Чем выше репрезентативность, 
тем больше совпадают показателе точности на этапах обучения и собственно распознавания. 
Использование АВО кроме решения задачи распознавания позволяет получить следующую 
информацию: 
1. Информационные веса отдельных элементов (параметров) описания объектов. Эти веса 
измеряются через изменение точности распознавания при исключении соответствующих пара-
метров из описания эталонных объектов: 
a
j
a
j
a
))
(
(
)
(






(3.5.7) 
где 
X
- точность распознавания при Р

= 1; 
X
(
j
a
) - точность распознавания при Р. = 0, а а - 


95 
нормирующий множитель. Информационные веса интерпретируются как мера прогностической 
важности параметров. 
2. Оптимальные значения порогов 

, т. е. значения 

, обеспечивающие наивысшую точ-
ность распознавания. Эти значения порогов в нашем случае можно .интерпретировать как чув-
ствительность методики; ε
j
- своего рода дифференциальный порог на шкале тестового показате-
ля 
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 
K
1
из них относится к одному классу, а К
2
- к другому, К = К
1
+ К
2
. Выбрав случай-
ным образом из этой группы М (М<<К) многомерных описаний, проводим на них процедуру 
обучения 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 респондентов (испы-
туемых) к этим классам. Сравнивая полученные результаты с эталонными данными о принад-
лежности испытуемых к классам, мы определяем точность самого распознавания. Если эта точ-
ность близка к точности обучения, то наша пилотажная выборка объемом М может быть призна-
на репрезентативной для обучения. Теперь можно переходить к задаче определения информаци-
онных весов. 
* * * 
Для эффективного использования алгоритмов распознавания по отношению к многомер-
ным тестовым системам (при 
K
>3), как правило, требуется использование компьютера.
При решении задач небольших размерностей (по количеству параметров) иногда психолог 
может быстрее найти решающее правило, применяя собственные способности зрительной систе-
мы (очень мощные) к визуально-геометрической группировке объектов. В пространстве пара-
метров диагностические, классы выглядят как «сгущения», некие «облака» из точек, изобража-
ющих испытуемых. В этом случае при наличии априорной информации о принадлежности ин-
дивидов к классам удобно изображать точки из различных классов разными цветами (хуже - 
квадратиками, кружками, треугольниками). В этом случае «решающее правило» легко «увидеть» 
как некую воображаемую линию (прямую или кривую), разделяющую точки разного цвета (рис. 
17). Точность диагностики в данном случае можно оценить по количеству точек, попавших при 
данном решающем правиле в «чужую» половину пространства параметров.

Download 2,85 Mb.

Do'stlaringiz bilan baham:
1   ...   42   43   44   45   46   47   48   49   ...   91




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish