Метрические методы классификации

В качестве обучающей выборки рассматриваются 500 объектов 1-го класса и 500 объектов 2-го класса. Каждый объект обучающей выборки характеризуется 2-мя признаками.

1-й и 2-й признаки объектов первого класса представляют собой реализации дискретных равномерно распределенных случайных величин, которые могут принимать целые значения от 1 до 100 и от 1 до 50 соответственно；1-й и 2-й признаки объектов второго класса － реализации дискретных равномерно распределенных случайных величин, которые могут принимать целые значения от 1 до 100 и от 51 до 100 соответственно.

Таким образом, объекты 1-го и 2-го классов представляют собой точки с целочисленными координатами в квадрате 100×100. Часть из этих точек (≈1000) задана в качестве обучающей выборки. Про остальные точки (≈9000) информация отсутствует － их нужно классифицировать.

При выполнении работы требуется:

1. Сгенерировать признаки объектов обучающей выборки с помощью стандартных функций matlab, запомнить их (например, сохранить в файл) и изобразить на координатной плоскости. На этой же координатной плоскости изобразить истинную разделяющую поверхность классов.

2. Реализовать в matlab метод парзеновского окна, предусмотрев возможность изменения количества соседей, весов объектов, метрики.

3. Используя метод контроля качества алгоритма и обучающую выборку (п.1) контроль на случайной подвыборке (для генерации контрольной и обучающей выборки использовать бутстреп), определить наилучший набор параметров алгоритма классификации: количество соседей/ширину окна, веса объектов, метрику (см. в п.2).

4. С помощью (настроенного) алгоритма классифицировать все объекты, которые не вошли в обучающую выборку (≈9000 шт.). Результаты классификации изобразить графически.