Космическая погода

[Natalia]

Спасибо. Эта статья у меня есть.

[Eugene Lutsenko]

Наши работы в RG читают профессионалы:

Сергей Александр Арсеньев: https://www.researchgate.net/profile/Sergey-Arsenyev
21,97 Институт физики Земли
Читать
СИСТЕМА ИИ ДЛЯ КОГНИТИВНОГО ПРОГНОЗИРОВАНИЯ. ГЛАВА I. СЕЙСМИЧЕСКИЕ МОДЕЛИ

[Natalia]

Поздравляю! Мне тоже приходило сообщение, что он читает наши работы.

[Eugene Lutsenko]

Спасибо. Эта статья у меня есть.

Это из будущей статьи:

4.10. Сила и направление влияния значений факторов
и сила влияния самих факторов на поведение объекта моделирования
Сделаем небольшой экскурс в область терминологии, применяемой в АСК-анализе и системе «Эйдос».
На рисунках 3, 4, 5, 6 работы [4] приведены фрагменты некоторых статистических и системно-когнитивных моделей, отражающих моделируемую предметную область.
Строки матриц моделей АСК-анализа и системы «Эйдос», т.е. признаки, соответствуют:
– в универсальной интерпретации: градации описательных шкал;
– в статической интерпретации: степени выраженности свойств;
– в динамической интерпретации: значениям факторов (в данной работе это объемы и направленность инвестиций в АПК.
Колонки матриц моделей АСК-анализа и системы «Эйдос», т.е. классы, соответствуют:
– в универсальной интерпретации: градации классификационных шкал;
– в статической интерпретации: обобщающие категории, к которым в настоящем времени относятся состояния объекта моделирования;
– в динамической интерпретации: обобщающие категории, к которым в будущем времени относятся состояния объекта моделирования (в данной работе классы соответствуют различным количественным, качественным и финансово-экономическим результатам деятельности АПК).
Числовые значения в ячейках матриц моделей, находящихся на пересечении строк и колонок, отражают направление (знак) и силу влияния конкретного значения фактора, соответствующего сроке, на получение конкретного результата деятельности АПК, соответствующего колонке.
Если какое-то значение инвестиционного фактора слабо влияет на результаты деятельности АПК, то в соответствующей строке матрицы модели будут малые по модулю значения разных знаков, если же влияние сильное – то и значения будут большие по модулю разных знаков.
Если значение фактора способствует получению некоторого определенного результата деятельности АПК, то в соответствующей этому результату ячейке матрицы модели будут положительные значения, если же понижает – то и значения будут отрицательные.
Из этого понятно, что суммарную силу влияния того или иного значения инвестиционного фактора на результаты деятельности АПК (т.е. ценность данного значения фактора для решения задач прогнозирования результатов деятельности АПК, принятия решений (управления) и других задач) можно количественно оценивать степенью вариабельности значений в строке матрицы модели, соответствующей этому значению фактора.
Существует много мер вариабельности значений: это и среднее модулей отклонения от среднего, и дисперсия, и среднеквадратичное отклонение и другие. В АСК-анализе и системе «Эйдос» для этой цели принято использовать среднеквадратичное отклонение. Численно оно равно стандартному отклонению и вычисляется по той же формуле, но мы предпочитаем не использовать термин «стандартное отклонение», т.к. он предполагает нормальность распределения исследуемых последовательностей чисел, а значит и проверку соответствующих статистических гипотез.
Самая правая колонка в матрицах моделей на рисунках 3, 4, 5, 6 работы [4] содержит количественную оценку вариабельности значений строки модели (среднеквадратичное отклонение), которая и представляет собой ценность значения фактора, соответствующего строке, для решения задач прогнозирования результатов деятельности АПК, решения принятия решений (управления) и других задач, рассматриваемых в работе.
Если рассортировать матрицу модели по этой самой правой колонке в порядке убывания, а потом просуммировать значения в ней нарастающим итогом, то получим логистическую Парето-кривую, отражающую зависимость ценности модели от числа наиболее ценных признаков в ней.
Таким образом:
– значимость градации описательной шкалы – это вариабельность значений в соответствующей ей строке матрицы модели. Значимость градации описательной шкалы количественно показывает ее ценность или полезность для решения задачи идентификации объектов обучающей выборки по классам. Можно сказать, что значимость градации шкалы отражает количество информации, содержащееся в ней о принадлежности или непринадлежности объектов к различным классам (рисунки 20, 21 и таблица 1).
– значимость шкалы – это среднее значимости ее градаций. Значимость описательной шкалы количественно показывает среднюю ценность или полезность ее градаций для решения задачи идентификации объектов обучающей выборки по классам. Можно сказать, что значимость шкалы отражает среднее количество информации, содержащееся в ее градациях о принадлежности или непринадлежности объектов обучающей выборки со свойствами, кодируемыми данной шкалой, к различным классам (рисунок 22, таблица 2).

Степень детерминированности (обусловленности) класса в системе «Эйдос» количественно оценивается степенью вариабельности значений классификационных шкал в колонке матрицы модели, соответствующей данному классу.

Степень детерминированности классификационных шкал значениями инвестиционных факторов является средним от степени детерминированности их градаций, т.е. классов, соответствующих будущим результатам деятельности АПК. По сути степень детерминированности классификационных шкал – это степень управляемости соответствующими результатами деятельности АПК с путем использования объемов и направленности инвестиций в АПК в качестве управляющих факторов.

[Natalia]

Спасибо, Евгений Вениаминович, это именно то, что я искала и что мне нужно, так как исследование расширяется, и я буду использовать показатели значимости не совсем обычным образом. Большая просьба дать ссылку на статью, когда она будет опубликована.

[Eugene Lutsenko]

Спасибо, Евгений Вениаминович, это именно то, что я искала и что мне нужно, так как исследование расширяется, и я буду использовать показатели значимости не совсем обычным образом. Большая просьба дать ссылку на статью, когда она будет опубликована.

Луценко Е.В. Разработка пользовательского алгоритма и исследование влияния инвестиций на результаты деятельности АПК / Луценко Е.В., Лаптев В.Н. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2021. – №05(169). – Режим доступа: http://ej.kubagro.ru/2021/05/pdf/09.pdf, 3,063 у.п.л. – IDA [article ID]: 1692105009. http://dx.doi.org/10.21515/1990-4665-169-009

[Natalia]

Спасибо большое!

[Eugene Lutsenko]

Спасибо большое!

Я договорился с проектором по науке издать во 2-м полугодии небольшую монографию (до 10 у.п.л.)

[Natalia]

В целом то, что у меня получается, очень даже неплохо, я сама не ожидала. Пишу, но начинается дачный сезон, который сдвигает эту работу на осень.

[Petrovich]

Помидоры нужнее и полезнее, чем блины