Лично подоходно облагане


Категория на документа: Финанси



Процедурата е следната:
Ст.1 Задава се К=2 о се избира Z1(1)=X1=(0,0)T; Z2(1)=X2=(1,0)T .
Ст.2 Тъй като ||X1-Z1(1)|| < ||X1-Zi(1)|| и ||X3-Z1(1)|| < ||X3-Zi(1)||, i=2, то S1(1)={X1,X3}. Аналогично се установява, че останалите образи са разположени близо до центъра на кластера Z2(1), и затова S2(1)={X2, X4, X5,...X20}.
Ст.3 Коригира се положението на центровете на кластерите, като новите центрове са :

.
Ст.4 Тъй като Zj(2)Zj(1), j=1,2, то се връщамe към стъпка 2.
Ст.2 Изборът на нови центрове на кластерите води до неравенството

||Xl-Z1(2)|| < ||Xl-Z2(2)|| за l=1,2,...8 и неравенството

||Xl-Z2(2)|| < ||Xl-Z1(2)||, за l=9,10,...20.
Следователно S2(2)={X1,X2...X8} и S2(2)={X9,X10,...X20} .
Ст.3 Коригира се положението на центровете на кластерите

.
Ст.4 Тъй като Zj(2)Zj(3), j=1,2, то отново се връщаме към Ст.2.
Ст.2 Получават се същите резултати , както в предната итерация
Ст.3 Получават се отново същите резултати от предната итерация

Z1(4)=Z1(3) и Z2(4)=Z2(3)
Ст.4 Тъй като Zj(4)=Zj(3), за j=1,2, алгоритъмът се прекратява при следните резултати за центровете на кластерите

4. Алгоритъм Isodate (Iterative Self-Organizing Data Analysis Techniques)

Алгоритъмът Isodate по принцип е аналогичен на разгледаната по-горе процедура, предвиждаща изчисляването на К-вътрешногрупираните средни. За разлика от предишния алгоритъм Isodate притежава обширен набор от спомагателни евристични процедури, вградени в схемата на итерациите [...].

Първоначално се задава набор от Nl от изходни центрове на кластерите Z1, Z2, ...ZNl. Този набор, броят на елементите на който не е задължително да е равен на предвидения брой кластери, може да бъде получен чрез извадка от образи от зададеното множество данни.

При работа с набора от образи {X1,X2,...XN} съставен от N елемента, алгоритъмът Isodate изпълнява следните основни стъпки.
Ст.1 Задават се параметри, определящи процеса на кластеризация:

K-необходимият брой кластери.

 n-параметър, с който се сравнява броят образи от извадката, влизащи в кластера.

 s-параметър, характеризиращ средноквадратичното отклонение.

 e-параметър,характеризиращ компактността.

L-максималният брой двойки центрове на кластери, които може да се обединят.

I-допустим брой на итерации.

Ст.2 Зададените N образа се разпределят по кластери, съответстващи на избраните центрове, по правило

х  Sj, aко ||X-Zj||<||X-Zi||, i=1,2,...Nl; ij,
прилагано към всички образи от извадката, включени в кластера с център Zj.
Ст.3 Ликвидират се подмножествата образи, в състава на които влизат по-малко от N елемента, т.е. ако за някакво j се изпълнява условието Nj<N, то подмножеството Sj се изключва от разглеждане и стойността на Nl се намалява с 1.
Ст.4 Всеки център на кластер Zj, j=1,2,...Nl се локализира и коригира посредством приравняване към средното за класа, намерено по съответното подмножество Sj, т.е.



Сподели линка с приятел:





Яндекс.Метрика
Лично подоходно облагане 9 out of 10 based on 2 ratings. 2 user reviews.