Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов
In this article key elements for data analysis are considered, which are obtained via Wi-Fi signal. Based on user movements inside buildings and its analysis it is possible to do user classification. Розглядаються ключові моменти аналізу даних, зібрані за допомогою технології Wi-Fi. Завдяки аналізу...
Gespeichert in:
| Veröffentlicht in: | Комп’ютерні засоби, мережі та системи |
|---|---|
| Datum: | 2014 |
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2014
|
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/84838 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов / Д.А. Скачко // Комп’ютерні засоби, мережі та системи. — 2014. — № 13. — С. 125-134. — Бібліогр.: 8 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860140626816794624 |
|---|---|
| author | Скачко, Д.А. |
| author_facet | Скачко, Д.А. |
| citation_txt | Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов / Д.А. Скачко // Комп’ютерні засоби, мережі та системи. — 2014. — № 13. — С. 125-134. — Бібліогр.: 8 назв. — рос. |
| collection | DSpace DC |
| container_title | Комп’ютерні засоби, мережі та системи |
| description | In this article key elements for data analysis are considered, which are obtained via Wi-Fi signal. Based on user movements inside buildings and its analysis it is possible to do user classification.
Розглядаються ключові моменти аналізу даних, зібрані за допомогою технології Wi-Fi. Завдяки аналізу даних стає можливим робити класифікацію відвідувачів, грунтуючись на іх переміщеннях по приміщенням.
Рассматриваются ключевые моменты анализа данных, собранные с помощью коммуникационной технологии Wi-Fi. Благодаря анализу данных становится возможным делать классификацию посетителей, на основании их перемещения по помещениям.
|
| first_indexed | 2025-12-07T17:49:19Z |
| format | Article |
| fulltext |
Комп’ютерні засоби, мережі та системи. 2014, № 13 125
D. Skachko
INFORMATION TECHNOLOGY
IN DECISION MAKING BASED
ON CLASSIFICATION AND
INDOOR MOVEMENT
ANALYSIS
In this article key elements for data
analysis are considered, which are
obtained via Wi-Fi signal. Based on
user movements inside buildings and
its analysis it is possible to do user
classification.
Key words: decision tree, CART,
indoor navigation, decision making.
Розглядаються ключові моменти
аналізу даних, зібрані за допомо-
гою технології Wi-Fi. Завдяки
аналізу даних стає можливим
робити класифікацію відвідувачів,
грунтуючись на іх переміщеннях
по приміщенням.
Ключові слова: дерево рішень,
алгоритм CART, навігація, прийн-
яття рішень.
Рассматриваются ключевые мо-
менты анализа данных, собран-
ные с помощью коммуникацион-
ной технологии Wi-Fi. Благодаря
анализу данных становится воз-
можным делать классификацию
посетителей, на основании их
перемещения по помещениям.
Ключевые слова: дерево решений,
алгоритм CART, навигация, при-
нятие решений.
Д.А. Скачко, 2014
УДК 004.8
Д.А. СКАЧКО
ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ
ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ
КЛАССИФИКАЦИИ И АНАЛИЗА
ПЕРЕМЕЩЕНИЙ ВНУТРИ
ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ
Введение. Сегодня навигационные сервисы
используются в различных отраслях науки,
экономики, образования. Навигация на доро-
гах, в открытом пространстве с помощью
мобильных сервисов стала нормой жизни.
Для торговых центров большой интерес
представляет навигация внутри помещения.
Это позволит во многом автоматизировать
принятие решений в управлении и увеличить
прибыль. В настоящее время, когда у многих
людей есть мобильные устройства, а торго-
вые центры имеют все необходимое для ор-
ганизации внутренней навигации, разработка
сервиса для мобильных устройств представ-
ляется актуальной задачей. Механизм нави-
гации, предлагаемый в статье, разработан
для программно-аппаратного комплекса
«Shopyy», т. е. навигации внутри помещений,
и основываются на коммуникационной тех-
нологии Wi-Fi. Для работы сервиса требуется
развернутая сеть беспроводного доступа и
поддерживающее ее клиентское мобильное
устройство на платформе Android или iOS.
Полученные данные позволят классифи-
цировать посетителей, что дает возможность
делать целевые акции для нужной аудито-
рии. Понимание перемещения людей, а так
же целей их посещений открывает огромные
возможности по оптимизации принятия ре-
шений при управлении огромными торговы-
ми центрами.
Общая часть. Принцип работы сервиса за-
ключается в следующем. Когда клиентское
устройство находится между несколькими
Д.А. СКАЧКО
Комп’ютерні засоби, мережі та системи. 2014, № 13 126
Wi-Fi-источниками, по относительному уровню получаемого от них сигнала
можно с приемлемой точностью определить его местоположение. Причем сами
Wi-Fi-точки могут быть закрыты: требуется только знать относительный уро-
вень сигнала, полученного пользователем, и сравнивать его с радиообстановкой
в контрольных точках зданий. Чем больше плотность покрытия области точка-
ми, тем выше точность навигации. Например, проводится позиционирование,
приложение отображает поэтажные планы здания с указанием местоположения
мобильного устройства. Координаты мобильного устройства отслеживаются
непрерывно. Пользователь может воспользоваться функцией прокладывания
оптимального маршрута до места интереса (магазина, офисного помещения, вы-
хода и т. п.), ведением по маршруту. Выбор интересующего объекта осуществ-
ляется либо непосредственно на плане, либо через встроенную поисковую сис-
тему. Представленный сервис навигации использует самый простой и доступ-
ный тип карт. Фактически это изображение местности, к которому привязыва-
ются географические координаты [1, 2].
Анализ данных. Система собирает все данные о перемещении пользовате-
ля, а также фиксирует места, где пользователь проводит больше времени, места
интереса. Предварительный анализ данных выполнялся с помощью деревьев
решений. Построение дерева решений осуществляется на основе алгоритма
CART [3]. Алгоритм строит бинарные деревья решений, содержащие только два
потомка в каждом узле. В процессе работы происходит рекурсивное разбиение
примеров обучающего множества на подмножества, записи в которых имеют
одинаковые значения целевой переменной.
∑
=
−=
N
j
RLRL tjPtjPPP
1
)),|()|((2)t|s(Q
где s – идентификатор разбиения, t – идентификатор узла, tL и tR – левый и пра-
вый потомки узла t соответственно, PL и PR – отношение числа примеров в левом
и правом потомках к их общему числу в обучающем множестве, P(j|tL) и P(j|tR) –
отношение числа примеров класса j в левом и правом потомках к их общему
числу в каждом из них. Процесс построения регрессионных деревьев решений в
основном аналогичен классификационным, но вместо меток классов в листьях
будут располагаться числовые значения (рис. 1). Фактически при этом реализу-
ется кусочно-постоянная функция входных переменных [4].
В результате в каждом листе должны оказаться примеры с похожими значе-
ниями выходной переменной. Чем ближе они будут, тем меньше станет их дис-
персия. Поэтому она является хорошей мерой «чистоты» узла. Тогда наилучшим
разбиением в узле является то, которое обеспечит максимальное уменьшение
дисперсии выходной переменной в нем. В процессе роста дерева алгоритм
CART проводит для каждого узла полный перебор всех атрибутов, на основе
которых может быть построено разбиение, и выбирает тот, который максимизи-
рует значение показателя. На каждом шаге построения дерева алгоритм после-
довательно сравнивает все возможные разбиения для всех атрибутов, выбирает
ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПРИНЯТИЯ …
Комп’ютерні засоби, мережі та системи. 2014, № 13 127
наилучший атрибут (интерес пользователя) и наилучшее разбиение для него.
Полученные результаты показывают, где пользователь мобильного устройства
находился больше времени, какие объемы проходил без задержки и в какие воз-
вращался. Таким образом, рассмотренная модель содержит объекты пространст-
ва и полученные с сенсоров мобильных устройств характеристики сигналов, ко-
торые описываются скрытыми и наблюдаемыми состояниями соответственно.
Кроме того, данная модель имеет параметры: переходные вероятности между
скрытыми состояниями, значения которых определяются из графовой модели
пространства, и вероятности перехода от скрытых состояний к наблюдаемым.
Следовательно, применительно к задаче определения текущего местоположения,
имеются известные параметры (вероятности переходов) и наблюдаемая после-
довательность V = {v1,v2,…, vp}, требуется подобрать последовательность со-
стояний системы Q = (q1,…, qp), которая лучше всего соответствует наблюдае-
мой последовательности [5].
РИС. 1. Построение регрессионного дерева решений
Описание алгоритма CART. CART (Classification And Regression Tree), пе-
реводится как "Дерево Классификации и регрессии" – алгоритм бинарного дере-
ва решений, впервые опубликованный Бриманом в 1984 году. Алгоритм предна-
значен для решения задач классификации и регрессии [6]. Обучение дерева ре-
шений относится к классу обучения с учителем, т. е. обучающая и тестовая вы-
борки содержат классифицированный набор примеров. Оценочная функция, ис-
пользуемая алгоритмом CART, базируется на интуитивной идее уменьшения
нечистоты (неопределённости) в узле. Узел имеет максимальную "нечистоту".
В алгоритме CART идея "нечистоты" формализована в индексе Gini. Если набор
данных Т содержит данные n классов, тогда индекс Gini определяется как:
Д.А. СКАЧКО
Комп’ютерні засоби, мережі та системи. 2014, № 13 128
,-1)Gini(
1
2∑
=
=
n
i
ipT
где pi – вероятность (относительная частота) класса i в T. Если набор Т разбива-
ется на две части Т1 и Т2 с числом примеров в каждом N1 и N2 соответственно,
тогда показатель качества разбиения будет равен:
).(Gini)(Gini)(Gini 2
2
1
1
split T
N
NT
N
NT +=
Наилучшим считается то разбиение, для которого Ginisplit(T) минимально. Обо-
значим N – число примеров в узле – предке, L, R – число примеров соответст-
венно в левом и правом потомке, li и ri – число экземпляров i-го класса в ле-
вом/правом потомке. Тогда качество разбиения оценивается по следующей
формуле:
.min11Gini
1
2
1
2
split →
−+
−= ∑∑
==
n
i
i
n
i
i
R
r
N
R
L
l
N
L
Чтобы уменьшить объем вычислений формулу можно преобразовать.
.min11111Gini
1
2
2
1
2
2split →
−+
−= ∑∑
==
n
i
l
n
i
i r
R
Rl
L
L
N
Так как умножение на константу не играет роли при минимизации:
.max11
min,11Gini
min,11Gini
1
2
1
2
split
1 1
22
split
1
2
1
2
split
→+=
→
+−=
→−+−=
∑∑
∑ ∑
∑∑
==
= =
==
n
i
l
n
i
l
n
i
n
i
ll
n
i
l
n
i
l
r
R
l
L
G
r
R
l
L
N
r
R
Rl
L
L
В итоге, лучшим будет то разбиение, для которого величина максимальна.
Правила разбиения. Вектор предикторных переменных, подаваемый на
вход дерева может содержать как числовые (порядковые), так и категориальные
переменные. В любом случае в каждом узле разбиение идет только по одной пе-
ременной. Если переменная числового типа, то в узле формируется правило ви-
ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПРИНЯТИЯ …
Комп’ютерні засоби, мережі та системи. 2014, № 13 129
да xi <= c, где с – некоторый порог, который чаще всего выбирается как среднее
арифметическое двух соседних упорядоченных значений переменной xi обу-
чающей выборки. Если переменная категориального типа, то в узле формирует-
ся правило xi V(xi), где V(xi) – некоторое непустое подмножество множества
значений переменной xi в обучающей выборке. Следовательно, для n значений
числового атрибута алгоритм сравнивает n–1 разбиений, а для категориального
(2n–1 – 1). На каждом шаге построения дерева алгоритм последовательно срав-
нивает все возможные разбиения для всех атрибутов и выбирает наилучший ат-
рибут и наилучшее разбиение для него.
Механизм отсечения дерева. Механизм отсечения дерева, оригинальное
название minimal cost-complexity tree pruning, – наиболее серьезное отличие ал-
горитма CART от других алгоритмов построения дерева. CART рассматривает
отсечение как получение компромисса между двумя проблемами: получение
дерева оптимального размера и получение точной оценки вероятности ошибоч-
ной классификации. Основная проблема отсечения – большое количество всех
возможных отсеченных поддеревьев для одного дерева. Более точно, если би-
нарное дерево имеет |T| – листьев, тогда существует ~[1.5028369|T|] отсечённых
поддеревьев. И если дерево имеет хотя бы 1000 листьев, тогда число отсечённых
поддеревьев становится просто огромным.
Базовая идея метода – не рассматривать все возможные поддеревья, ограни-
чившись только "лучшими представителями" согласно приведённой далее оцен-
ке. Обозначим |T| – число листьев дерева, R(T) – ошибка классификации дерева,
равная отношению числа неправильно классифицированных примеров к числу
примеров в обучающей выборке. Определим )(TСα – полную стоимость (оцен-
ку/показатель затраты-сложность) дерева Т как: TTRTС *)()( α+=α , где |T| –
число листьев (терминальных узлов) дерева, – некоторый параметр, изменяю-
щийся от 0 до ∞+ . Полная стоимость дерева состоит из двух компонент –
ошибки классификации дерева и штрафа за его сложность. Если ошибка класси-
фикации дерева неизменна, тогда с увеличением полная стоимость дерева будет
увеличиваться. Тогда менее ветвистое дерево, дающее большую ошибку клас-
сификации может стоить меньше, чем дающее меньшую ошибку, но более вет-
вистое. Определим Tmax – максимальное по размеру дерево, которое предстоит
обрезать. Если мы зафиксируем значение α, тогда существует наименьшее ми-
нимизируемое поддерево α, которое выполняет следующие условия:
,min))(( )(max TCTTTC
α<=
=αα
(1)
.)(then))(()( TTTCTifC <=ααα=α (2)
В условии (1) видно, что не существует такого поддерева дерева Tmax , кото-
рое имело бы меньшую стоимость, чем Т(α ) при этом значении α . В условии
(2) – если существует более одного поддерева, имеющего данную полную стои-
Д.А. СКАЧКО
Комп’ютерні засоби, мережі та системи. 2014, № 13 130
мость, тогда мы выбираем наименьшее дерево. Можно показать, что для любого
значения существует такое наименьшее минимизируемое поддерево. Но эта за-
дача не тривиальна. Что она говорит – что не может быть такого, когда два дере-
ва достигают минимума полной стоимости и они несравнимы, т. е. ни одно из
них не является поддеревом другого. Мы не будем доказывать этот результат.
Хотя имеет бесконечное число значений, существует конечное число поддеревь-
ев дерева Tmax. Можно построить последовательность уменьшающихся подде-
ревьев дерева Tmax: T1 > T2 > T3 >...> {t1} (где t1 – корневой узел дерева) такую,
что Tk – наименьшее минимизируемое поддерево для [α k, α k+1]. Это важный
результат, так как он означает, что мы можем получить следующее дерево в по-
следовательности, применив отсечение к текущему дереву. Это позволяет разра-
ботать эффективный алгоритм поиска наименьшего минимизируемого поддере-
ва при различных значениях α . Первое дерево в этой последовательности –
наименьшее поддерево дерева Tmax имеющее такую же ошибку классификации,
как и Tmax, т. е. T1 = T(α = 0). Пояснение: если разбиение идет до тех пор, пока в
каждом узле останется только один класс, то T1 = Tmax , но, так как часто приме-
няются методы ранней остановки (prepruning), тогда может существовать подде-
рево дерева Tmax , имеющее такую же ошибку классификации. Для того чтобы
получить следующее дерево в последовательности и соответствующее значение
α , тогда обозначим Tt – ветвь дерева Т с корневым узлом t. Если мы отсечём в
узле t, тогда его вклад в полную стоимость дерева T – Tt станет Cα ({t}) = R(t) +
+ α , где R(t) = r(t)* p(t), r(t) – это ошибка классификации узла t и p(t) – пропор-
ция случаев, которые "прошли" через узел t. Альтернативный вариант: R(t)= m/n,
где m – число примеров классифицированных некорректно, а n – общее число
классифицируемых примеров для всего дерева. Вклад Tt в полную стоимость
дерева Т составит
Cα (Tt) = R(Tt) + α |Tt|,
где
.)()( ∑ ′∈′= tRTtTR tt
Дерево T – Tt будет лучше, чем Т, когда Cα ({t}) = Cα (Tt), потому что при этой
величине они имеют одинаковую стоимость, но T – Tt наименьшее из двух. Ко-
гда Cα ({t}) = Cα (Tt) получаем:
α+=α+ )()( tRTTR tt
решая для α , получаем:
.
1
)()(
−
−
=α
t
t
T
TRtR
Так для любого узла t в Т1 , если увеличиваем α , тогда когда
ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПРИНЯТИЯ …
Комп’ютерні засоби, мережі та системи. 2014, № 13 131
,
1
)()(
,1
,1
−
−
=α
t
t
T
TRtR
дерево, полученное отсечением в узле t, будет лучше, чем Т1.
Основная идея состоит в следующем: вычислим это значение для каждого
узла в дереве Т1, и затем выберем "слабые связи" (их может быть больше чем
одна), т. е. узлы для которых величина является наименьшей.
.
1
)()(
)(
,1
,1
−
−
=
t
t
T
TRtR
tg
Мы отсекаем Т1 в этих узлах, чтобы получить Т2 – следующее дерево в последо-
вательности. Затем мы продолжаем этот процесс для полученного дерева и так
пока мы не получим корневой узел (дерево в котором только один узел).
Выбор финального дерева. Итак, мы имеем последовательность деревьев,
нам необходимо выбрать лучшее дерево из неё. То, которое будем использовать
в дальнейшем. Наиболее очевидным является выбор финального дерева через
тестирование на тестовой выборке. Дерево, давшее минимальную ошибку клас-
сификации, и будет лучшим. Однако, это не единственно возможный путь. Так-
же есть процесс построения дерева и процесс получения последовательности
уменьшающихся поддеревьев методом cost-complexity pruning. В последова-
тельности деревьев, необходимо выбрать лучшее дерево из неё. То, которое бу-
дем использовать в дальнейшем. Отметим, что отсечение дерева не использова-
ло никаких других данных, кроме тех, на которых строилось первоначальное
дерево. Даже не сами данные требовались, а количество примеров каждого клас-
са, которое «прошло» через узел. Наиболее очевидным и возможно наиболее
эффективным является выбор финального дерева посредством тестирования на
тестовой выборке. Естественно, качество тестирования во многом зависит от
объема тестовой выборки и «равномерности» данных, которые попали в обу-
чающую и тестовую выборки. Часто можно наблюдать, что последовательность
деревьев дает ошибки близкие друг к другу. Случай показан на рис. 2.
РИС. 2. Зависимость ошибки от размера дерева
Д.А. СКАЧКО
Комп’ютерні засоби, мережі та системи. 2014, № 13 132
Данная длинная плоская последовательность очень чувствительна к данным,
которые будут выбраны в качестве тестовой выборки. Чтобы уменьшить данную
нестабильность CART использует 1-SE правило: выберите минимальное по раз-
меру дерево с Rts в пределах интервала [min Rts, min min Rts + SE]. Rts – ошибка
классификации дерева. SE – стандартная ошибка, являющаяся оценкой реальной
ошибки.
,)1()(
testn
RRRSE
tsts
ts −
=
где ntest – число примеров в тестовой выборке [7, 8].
Перекрестная проверка – самая оригинальная и сложная часть алгоритма
CART. Этот путь выбора финального дерева используется, когда набор данных
для обучения мал или каждая запись в нем по своему "уникальна" так, что мы не
можем выделить выборку для обучения и выборку для тестирования.
В таком случае строим дерево на всех данных, вычисляем α 1, α 2, …, α k и
T1 > T2 > … > TN. Обозначим Тk – наименьшее минимизируемое поддерево для
[α k, α k+1]. Теперь нужно выбрать дерево из последовательности, но уже ис-
пользовали все имеющиеся данные. Хитрость в том, что вычисляем ошибку де-
рева Тk из последовательности косвенным путем.
Процесс построения дерева происходит последовательно. На первом шаге
мы получаем регрессионную оценку просто как константу по всему пространст-
ву примеров. Константу считаем просто как среднее арифметическое выходной
переменной в обучающей выборке. Итак, если мы обозначим все значения вы-
ходной переменной как Y1, Y2, …, Yn тогда регрессионная оценка получается:
),(1)(ˆ
1
xIY
n
xf R
n
i
i
= ∑
=
где R – пространство обучающих примеров, n – число примеров, Ir(x) – инди-
каторная функция пространства – фактически, набор правил, описывающих
попадание переменной x в пространство. Мы рассматриваем пространство R
как прямоугольник. На втором шаге мы делим пространство на две части. Вы-
бирается некоторая переменная xi и если переменная числового типа, тогда мы
определяем:
{ } { }.:,: 21 α>∈=α≤∈= xRxRxRxR
Если xi категориального типа с возможными значениями A1, A2, …, Aq, тогда вы-
бирается некоторое подмножество I {A1, …, An} и мы определяем
{ } { }{ }.\,...,,:,: 2121 IAAAxRxRIxRxR n∈∈=∈∈=
ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПРИНЯТИЯ …
Комп’ютерні засоби, мережі та системи. 2014, № 13 133
Регрессионная оценка принимает вид:
),(1)(1)(ˆ
2
2
1
21
xIY
I
xIY
I
xf R
I
iR
I
i
+
= ∑∑
где I1 = {i, xi R1} и | 1I | – число элементов в I1.
Каким образом выбирается лучшее разбиение? В качестве оценки здесь
служит сумма квадратов разностей:
.))(ˆ( 2∑ −= ii xfYE
Выбирается разбиение с минимальной суммой квадратов разностей. Мы про-
должаем разбиение до тех пор, пока в каждом подпространстве не останется ма-
лое число примеров или сумма квадратов разностей не станет меньше некоторо-
го порога.
Отсечение, выбор финального дерева. Происходят аналогично дереву
классификации. Единственное отличие – определение ошибки ответа дерева:
∑
=
−=
n
i
ii xfY
n
f
1
2))(ˆ(1)ˆ(R
или, иначе говоря, среднеквадратичная ошибка ответа.
Стоимость дерева равна:
.ˆ)ˆ()ˆ( ffRfC α+=α
Остальные операции происходят аналогично дереву классификации.
Выводы. В статье рассмотрен и описан механизм навигации внутри поме-
щений. А при совместном использовании с мобильными устройствами на плат-
форме Android или iOS так же и возможность интерактивного взаимодействия с
картой и элементами карты. Также предложена модель анализа данных с помо-
щью алгоритма CART. В качестве основы для кластеризации данных были взя-
ты данные перемещения посетителя между базовыми Wi-Fi модулями, которые
включают в себя множество параметров, нетривиальных для простого изучения.
Пошагово описано обучение, разбиение и выбор дерева решений. Проведенный
анализ позволит вести интерактивную коммуникацию с посетителями через мо-
бильные приложения, делать индивидуальные акции, а так же автоматизацию
принятия решений в управлении ТРЦ.
1. Bill R., Cap C., Kofahl M., Mundt T. Indoor and Outdoor Positioning in Mobile Environments //
Geographical Information Sciences. – 2004. – Vol. 10, N 2. – P. 91 – 98.
2. Indoor Atlas. [Электронный ресурс]. [Режим доступа: http://www.indooratlas.com/.
Д.А. СКАЧКО
Комп’ютерні засоби, мережі та системи. 2014, № 13 134
3. BaseGroup Labs- Деревья решений – CART математический аппарат. Часть2. [Электрон-
ный ресурс]. [Режим доступа: http://www.basegroup.ru/library/analysis/tree/math_cart_part2/]
4. Kamol Kaemarungsi and Prashant Krishnamurthy. Modeling of Indoor Positioning Systems
Based on Location Fingerprinting // IEEE INFOCOM’2004. – 2004. – P. 7 – 11.
5. Zeimpekis V., Giaglis G.M., Lek G. A taxonomy of indoor and outdoor positioning techniques
for mobile location services // SIGecom Exchange. – 2003. – P. 19 – 27.
6. Nicola Lenihan. A local Optimal User Position System for Indoor Wireless Devices // Universi-
ty of Limerick. – 2004. – P. 33 – 72.
7. BaseGroup Labs- Деревья решений – общие принципы работы. [Электронный ресурс].
[Режим доступа: http://www.basegroup.ru/library/analysis/tree/description/]
8. BaseGroup Labs- Деревья решений - CART математический аппарат. Часть1. [Электрон-
ный ресурс]. [Режим доступа: http://www.basegroup.ru/library/analysis/tree/math_cart_part1/]
Получено 10.07.2014
http://www.basegroup.ru/library/analysis/tree/math_cart_part1/
Перекрестная проверка – самая оригинальная и сложная часть алгоритма CART. Этот путь выбора финального дерева используется, когда набор данных для обучения мал или каждая запись в нем по своему "уникальна" так, что мы не можем выделить выборку для обу...
|
| id | nasplib_isofts_kiev_ua-123456789-84838 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1817-9908 |
| language | Russian |
| last_indexed | 2025-12-07T17:49:19Z |
| publishDate | 2014 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Скачко, Д.А. 2015-07-16T06:16:46Z 2015-07-16T06:16:46Z 2014 Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов / Д.А. Скачко // Комп’ютерні засоби, мережі та системи. — 2014. — № 13. — С. 125-134. — Бібліогр.: 8 назв. — рос. 1817-9908 https://nasplib.isofts.kiev.ua/handle/123456789/84838 004.8 In this article key elements for data analysis are considered, which are obtained via Wi-Fi signal. Based on user movements inside buildings and its analysis it is possible to do user classification. Розглядаються ключові моменти аналізу даних, зібрані за допомогою технології Wi-Fi. Завдяки аналізу даних стає можливим робити класифікацію відвідувачів, грунтуючись на іх переміщеннях по приміщенням. Рассматриваются ключевые моменты анализа данных, собранные с помощью коммуникационной технологии Wi-Fi. Благодаря анализу данных становится возможным делать классификацию посетителей, на основании их перемещения по помещениям. ru Інститут кібернетики ім. В.М. Глушкова НАН України Комп’ютерні засоби, мережі та системи Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов Information technology in decision making based on classification and indoor movement analysis Article published earlier |
| spellingShingle | Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов Скачко, Д.А. |
| title | Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов |
| title_alt | Information technology in decision making based on classification and indoor movement analysis |
| title_full | Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов |
| title_fullStr | Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов |
| title_full_unstemmed | Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов |
| title_short | Информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов |
| title_sort | информационная технология принятия решений на основе классификации и анализа перемещений внутри пространственных объектов |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/84838 |
| work_keys_str_mv | AT skačkoda informacionnaâtehnologiâprinâtiârešeniinaosnoveklassifikaciiianalizaperemeŝeniivnutriprostranstvennyhobʺektov AT skačkoda informationtechnologyindecisionmakingbasedonclassificationandindoormovementanalysis |