Реферат Прогнозирование результатов учебы студентов с помощью методов ИИ
Работа добавлена на сайт bukvasha.net: 2015-10-28Поможем написать учебную работу
Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
от 25%
Подписываем
договор
Оглавление
1. ВВЕДЕНИЕ. 3
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ. 4
2.1. История развития. 4
2.2. Основные понятия. 5
2.3. Основные задачи. 6
2.4. Пакет Квазар. 8
2.4.1. Подготовка данных для пакета КВАЗАР. 8
2.4.2. Структура входного файла. 8
2.4.3. Методические рекомендации по решению задач с помощью пакета КВАЗАР. 9
2.4.4. Формирование обучающей и проверочной выборок. 10
2.4.5. Задачи классификации, диагностики и прогнозирования. 11
3. ПРАКТИЧЕСКАЯ ЧАСТЬ. 12
4. ЗАКЛЮЧЕНИЕ. 13
5. ЛИТЕРАТУРА.. 24
1. ВВЕДЕНИЕ
Распознавание образов представляет собой раздел кибернетики, связанный с моделированием некоторых творческих аспектов мыслительной деятельности человека, таких, в частности, как способность узнавать (классифицировать) предметы и явления окружающего мира, формировать новые понятия и т. д. Методы распознавания образов получают широкое распространение как при решении чисто «человеческих» задач, таких, как распознавание зрительных, речевых и слуховых образов, так и для задач, нетривиальных для человека. Чаще всего эти задачи связаны с обработкой ряда измерений (параметров), зависимость между которыми неизвестна и число которых достигает десятка и более. К числу таких задач относятся, в частности, задачи технической и медицинской диагностики, некоторые задачи прогнозирования. Наибольшую трудность при их решении составляет, по-видимому, форма представления информации в виде чисел, которая неудобна и непривычна для человека
Целью данной курсовой работы является прогнозирование результатов учебы студентов с помощью методов ИИ. Для достижения цели необходимо решить следующие задачи:
· Изучить теоретический материал по данной теме;
· Собрать данные и проанализировать их с помощью программы «КВАЗАР»;
· Составить прогноз об успеваемости студентов.
Входными данными являются результаты тестирований студентов и материалы практического занятия на данную тему задания.
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ
2.1. История развития.
Распознавание образов представляет собой раздел кибернетики, связанный с моделированием некоторых творческих аспектов мыслительной деятельности человека, таких, в частности, как способность узнавать (классифицировать) предметы и явления окружающего мира, формировать новые понятия и т.д.
Методы распознавания образов получают широкое распространение как при решении чисто «человеческих» задач, таких, как распознавание зрительных, речевых и слуховых образов, так и для задач, нетривиальных для человека. Чаще всего эти задачи связаны с обработкой ряда измерений (параметров), зависимость между которыми неизвестна и число которых достигает десятка и более. Наибольшую трудность при их решении составляет, по-видимому, форма представления информации в виде чисел, которая неудобна и непривычна для человека.
На начальном этапе работы над проблемой распознавания было потрачено много усилий на попытки построить процесс распознавания, используя понятие «образ». Они сводились, сознавая условность классификаций, к следующим направлениям:
1. Изучение образа как такового с целью выяснить, что представляют собой образы разных типов, какова их структура;
2. Построение системы распознавания на основе имитации способностей человека.
В первом подходе основной массив составили работы, авторы которых считали, что процесс решения плохо формализованных задач на ЭВМ должен моделировать основные аспекты процесса мышления. Представители второго подхода исходили из посылки, что, несмотря на отсутствие модели того, как человек решает задачу, и несмотря на отсутствие адекватной математической модели реальной ситуации, можно, опираясь на здравый смысл, строить алгоритмы, которые реализуют нужный процесс преобразования информации. К середине 1970-х годов сформировались параметрические семейства алгоритмов, которые принято называть моделями алгоритмов распознавания. Решение практических задач свелось к «настройке параметров», т.е. к решению проблемы выбора значений параметров, выделяющих из семейства оптимальный для данной задачи алгоритм. В настоящее время сформировались общие для обоих подходов задачи и принципы их решения.
2.2. Основные понятия.
Распознавание образов, научное направление, связанное с разработкой принципов и построением систем, предназначенных для определения принадлежности данного объекта к одному из заранее выделенных классов объектов. Под объектами в Р. о. понимают различные предметы, явления, процессы, ситуации, сигналы. Каждый объект описывается совокупностью основных характеристик (признаков, свойств) Х =(x1, ..., x i , ..., x n), где i-я координата вектора Х определяет значения i характеристики, и дополнительной характеристикой S, которая указывает на принадлежность объекта к некоторому классу (образу).
Одним из основных понятий в теории распознавания является образ. Образ (класс) – множество всех объектов, сходных друг с другом в каком-либо фиксированном отношении. Распознать объект или образ объекта – значит указать, к какому образу он относится. Методы распознавания образов получают широкое распространение как при решении чисто «человеческих» задач, таких, как распознавание зрительных, речевых и слуховых образов, так и для задач, нетривиальных для человека. Чаще всего эти задачи связаны с обработкой ряда измерений (параметров), зависимость между которыми неизвестна и число которых достигает десятка и более. Наибольшую трудность при их решении составляет, по-видимому, форма представления информации в виде чисел, которая неудобна и непривычна для человека. Распознавание объекта производится при помощи решающего правила, которое может быть получено на этапе обучения, предшествующем распознаванию. Решающее правило может представлять собой некоторую разделяющую (дискриминантную) функцию или систему дискриминантных функций (в случае числа образов k>2). Обучающая выборка — это множество объектов, которыми образы представлены при обучении, т. е. это объединение некоторых подмножеств рассматриваемых образов. Экзаменующая (проверочная) выборка — множество объектов, на которых проверяются результаты обучения.
Признак — описание того или иного свойства объекта. Признаки могут быть как количественными, так и качественными. При решении задачи распознавания имеют дело не непосредственно с реальными объектами, а с векторами из Rn, моделирующими эти объекты. При этом каждая компонента моделирующего вектора представляет собой значение соответствующего признака. В геометрической интерпретации образ отождествляется с областью многомерного пространства признаков, каждая точка которой соответствует конкретной реализации этого образа.
2.3. Основные задачи.
Одна из основных задач Р. о. - выбор правила (решающей функции) D, в соответствии с которым по значению контрольной реализации Х устанавливается её принадлежность к одному из образов, т. е. указываются "наиболее правдоподобные" значения характеристики S для данного Х. Выбор решающей функции D требуется произвести так, чтобы стоимость самого распознающего устройства, его эксплуатации и потерь, связанных с ошибками распознавания, была минимальной. Примером задачи Р. о. этого типа может служить задача различения нефтеносных и водоносных пластов по косвенным геофизическим данным. По этим характеристикам сравнительно легко обнаружить пласты, насыщенные жидкостью. Значительно сложнее определить, наполнены они нефтью или водой. Требуется найти правило использования информации, содержащейся в геофизических характеристиках, для отнесения каждого насыщенного жидкостью пласта к одному из двух классов - водоносному или нефтеносному. При решении этой задачи в обучающую выборку включают геофизические данные вскрытых пластов.
В соответствии с большинством классификаций можно выделить три наиболее распространенных типа задач распознавания образов:
1. Задачи обучения по прецедентам, называемые также задачами «обучения с учителем», или дискриминантного анализа:
Имеется множество объектов (ситуаций) и множество возможных ответов (откликов, реакций). Существует некоторая зависимость между ответами и объектами, но она не известна. Известна только конечная совокупность прецедентов — пар «объект, ответ», называемая обучающей выборкой. На основе этих данных требуется восстановить зависимость, то есть построить алгоритм, способный для любого объекта выдать достаточно точный ответ. Для измерения точности ответов определённым образом вводится функционал качества;
2. Задачи таксономии (автоматической классификации, кластер - анализа):
Предположим, что известны n1 наблюдений из генеральной совокупности A1, n2 наблюдений из генеральной совокупности А2 и т.д., nm наблюдений из генеральной совокупности Am, m³ 2. Дана также выборка z = (z1, ..., z). Задача Р. о. состоит в определении, какой из генеральных совокупностей A j, j = 1, 2,..., m , принадлежит выборка z. При этом обычно принимается предположение о том, что распределения P (Ї) совокупностей A j принадлежат некоторому семейству {P (Q, ’)} распределений, зависящих от векторного параметра Q, так что P j (’) = Р (Q j,Ї), где Q j неизвестны.
Если заданы потери L i j, которые несёт наблюдатель, относя выборку 2 к совокупности (образу) A j, когда она на самом деле принадлежит A i, то сформулированная задача может рассматриваться и решаться с помощью методов теории статистических игр [стратегией природы здесь является набор (Q1, ..., Q m, j), где j указывает номер совокупности, к которой относится z]. В этом случае возможно отыскание оптимальных "решающих функций", минимизирующих в том или ином смысле потери наблюдателя;
3. Задачи выбора информативных признаков из заданной системы описания объектов.
Успех в решении задачи распознавания образов зависит в значительной мере от того, насколько удачно выбраны признаки Х. Исходный набор характеристик часто бывает очень большим. В то же время приемлемое правило должно быть основано на использовании небольшого числа признаков, наиболее важных для отличения одного образа от другого. Так, в задачах медицинской диагностики важно определить, какие симптомы и их сочетания (синдромы) следует использовать при постановке диагноза данного заболевания. Поэтому проблема выбора информативных признаков - важная составная часть проблемы распознавания образов.
2.4. Пакет Квазар.
2.4.1. Подготовка данных для пакета КВАЗАР.
Файл данных обычно бывает подготовлен в символьном виде массива – матрица “ объект - признаки”. При решении задачи обучения по прецедентам (фактам) в входном файле должен соблюдаться следующий порядок векторов – объектов:
1. векторы известной принадлежности, представленные на обучение (из них пакет автоматически или на основе указаний пользователя может сформировать обучающую и проверочные выборки); при этом сначала следуют векторы 1 класса – образа, затем второго и т.д.;
2. векторы, предъявленные для рабочего распознавания (при наличии)
Работая с пакетом КВАЗАР, нумеровать векторы не следует. Номер вектора определяется его местом в файле (массиве) обрабатываемых данных.
2.4.2. Структура входного файла.
Каждая запись – объект “ n”- мерный вектор состоит из признаков вещественных чисел, которые разделяются пробелом или запятой, в конце описания вектора ставится символ “;”. Набор следующего вектора новая запись, т.е. новая строка. В начале вектора можно указывать имена векторов, которые отделяются от признаков символом “:”.
Данные должны быть набраны в “DOS” кодировке в любом редакторе, например БЛОКНОТ шрифт Terminal. Имя файла должно состоять из 8 латинских символов – “ группа и ваш номер по списку”. Тип файла обязательно должен быть DAT и записан для удобства работы в каталог DATA пакета КВАЗАР.
Пример:
Файл - I1601001.dat, I16010 – группа, 01- ваш номер по списку.
ИМЯ : 2 2 9 1. 1. 6. 1. 2.;
3. 9. 8. 7. 6. 5. 3. 2.;
0. 0. 7. 9. 0. 8. 7. 8.;
3. 4. 6. 7. 5. 6. 9. 6.;
2.4.3. Методические рекомендации по решению задач с помощью пакета КВАЗАР.
1. Получить пароль у преподавателя и загрузить пакет - KVAZAR.exe
2. Набрать имя сеанса - “ группа и ваш номер по списку” Пример - I1601001
3. Подготовленные ваши данные анализируются средствами пакета. Если в данных обнаружены будут ошибки в этом случае будут выданы соответствующие диагностические сообщения, например:
В строке n неразрешенный символ x, K-й вводимый вектор содержит
Устранив ошибки, выявленные программой ввода, можно повторно обратиться к пакету с тем же заданием. Поскольку программа ввода осуществляет лишь самый простой контроль. состоящий в основном в выявлении синтаксических ошибок и проверки длины векторов рекомендуется перед работой с пакетом еще раз проверить входные данные.
2.4.4. Формирование обучающей и проверочной выборок.
Задача формирования обучающей и проверочной выборок тесно связана с задачей обучения по прецедентам и обусловлена ею. Действительно, для качественного (с точки зрения пригодности результатов для практического использования) решения задачи обучения по прецедентам необходимо производить оценку качества дискриминантных функций, получаемых в результате обучения. С этой целью можно, например, распознать с помощью полученной дискриминантной функции некоторое количество векторов из проверочной выборки, классификация которых априори известна, но которые не участвовали в обучении. На практике проверочную выборку формируют в лучшем случае исходя из каких-либо практических соображений на основе чисто визуального анализа всей имеющейся совокупности векторов, а чаще — случайным образом. При этом в проверочную выборку могут оказаться включенными векторы из областей признакового пространства, не представленных в обучающей выборке, что, естественно, может повлечь плохое качество обучения распознаванию векторов из этой области. В предлагается воспользоваться для формирования обучающей и проверочной выборок результатами таксономии множества объектов, представленных для обучения. Данный подход позволяет получать достаточно прецедентные (т. е. отражающие основные особенности описания объектов) обучающие и проверочные выборки.
В пакете имеются три различные возможности формирования названных выборок:
1) по результатам таксономии,
2) случайным образом,
3) по указанию пользователя.
2.4.5. Задачи классификации, диагностики и прогнозирования.
Под диагностикой состояния системы понимается его классификация, т.е. отнесение его к одному из известных классов- образов. Часто возникают вопросы относительно числа и состава признаков, необходимых для описания классифицируемых объектов, количества классов-образов, критериев решения задачи обучения и т. д. К сожалению, на эти вопросы трудно ответить однозначно, не зная конкретной задачи. Тем не менее, некоторые рекомендации можно привести.
Так при решении задач медицинской диагностики выбирают 10-50 признаков (на первом этапе) В их число должны входить доступные учеты и измерению признаки, имеющие прямое или косвенное отношение к природе рассматриваемого явления, по мнению специалистов.
Выбранная система может оказаться избыточной или содержать малоинформативные признаки, поэтому в пакете КВАЗАР предусмотрена возможность оценки информативности и отбора признаков.
Что касается объема обучающей выборки, то желательно, чтобы число входящих в неё векторов, по крайней мере, в 3-5 раз (некоторые авторы рекомендуют в 10 и более) превосходило число существенных признаков.
3. ПРАКТИЧЕСКАЯ ЧАСТЬ
Исходными данными для анализа являются результаты тестирования студентов. Результаты тестов формируются в файл в формате .dat, где номер вектора – это порядковый номер студента, а признаки – это тесты.
3.1. Описание входных данных.
Файл данных обычно бывает подготовлен в символьном виде массива – матрица “ объект - признаки”. При решении задачи обучения по прецедентам (фактам) в входном файле должен соблюдаться следующий порядок векторов – объектов:
1. векторы известной принадлежности, представленные на обучение (из них пакет автоматически или на основе указаний пользователя может сформировать обучающую и проверочные выборки); при этом сначала следуют векторы 1 класса – образа, затем второго и т.д.;
2. векторы, предъявленные для рабочего распознавания (при наличии)
Работая с пакетом КВАЗАР, нумеровать векторы не следует. Номер вектора определяется его местом в файле (массиве) обрабатываемых данных.
Каждая запись – объект “ n”- мерный вектор состоит из признаков вещественных чисел, которые разделяются пробелом или запятой, в конце описания вектора ставится символ “;”. Набор следующего вектора новая запись, т.е. новая строка. В начале вектора можно указывать имена векторов, которые отделяются от признаков символом “:”.
Данные должны быть набраны в “DOS” кодировке в любом редакторе, например БЛОКНОТ шрифт Terminal. Имя файла должно состоять из 8 латинских символов – “ группа и ваш номер по списку”. Тип файла обязательно должен быть DAT и записан для удобства работы в каталог DATA пакета КВАЗАР.
Пример:
Файл - I1601001.dat, I16010 – группа, 01- ваш номер по списку.
ИМЯ : 2 2 9 1. 1. 6. 1. 2.;
3. 9. 8. 7. 6. 5. 3. 2.;
0. 0. 7. 9. 0. 8. 7. 8.;
3. 4. 6. 7. 5. 6. 9. 6.;
3.3.1. Первый поток студентов.
В таблице, представленной ниже, даны результаты тестирования студентов из групп ИТ-190101,ВИ-190102,ВИ-190301 за 2008-2009г.
| № | Фамилия | Имя | МК1 | МК2 | О/M | МК3 | МК4 | МК5 | ВА | МК6 | МК7 | МК8 | АГ | МК9 | МК10 | СУМ |
| 1 | Пипкина | Алёна | 100 | 88 | 346 | 100 | 50 | 75 | 88 | 75 | 75 | 25 | 88 | 75 | 100 | 1284 |
| 2 | Зиганурова | Лилия | 100 | 38 | 385 | 75 | 100 | 100 | 76 | 19 | 50 | 50 | 56 | 75 | 50 | 1174 |
| 3 | Конев | Антон | 100 | 88 | 423 | 75 | 100 | 25 | 39 | 100 | 0 | 25 | 81 | 75 | 0 | 1131 |
| 4 | Соколова | Евгения | 38 | 50 | 423 | 75 | 100 | 75 | 75 | 0 | 75 | 0 | 56 | 75 | 50 | 1092 |
| 5 | Демин | Михаил | 46 | 13 | 385 | 75 | 75 | 50 | 50 | 38 | 75 | 50 | 25 | 50 | 50 | 981 |
| 6 | Сайсанова | Елена | 85 | 0 | 346 | 50 | 100 | 25 | 49 | 0 | 0 | 25 | 52 | 75 | 75 | 881 |
| 7 | Задорожный | Антон | 31 | 25 | 353 | 75 | 100 | 75 | 51 | 50 | 0 | 0 | 69 | 0 | 50 | 878 |
| 8 | Быковский | Михаил | 54 | 25 | 365 | 50 | 50 | 75 | 29 | 25 | 50 | 25 | 69 | 50 | 0 | 867 |
| 9 | Алфутов | Сергей | 38 | 0 | 321 | 100 | 75 | 25 | 59 | 25 | 25 | 0 | 69 | 25 | 75 | 837 |
| 10 | Назаров | Михаил | 15 | 13 | 385 | 50 | 50 | 50 | 35 | 0 | 50 | 25 | 59 | 50 | 50 | 832 |
| 11 | Высоцкий | Вячеслав | 69 | 13 | 308 | 0 | 100 | 25 | 34 | 50 | 0 | 0 | 69 | 75 | 75 | 817 |
| 12 | Хизматулин | Владимир | 69 | 0 | 308 | 75 | 100 | 50 | 38 | 0 | 25 | 0 | 63 | 75 | 0 | 803 |
| 13 | Ибрашова | Мария | 100 | 0 | 269 | 75 | 75 | 75 | 54 | 0 | 0 | 50 | 27 | 25 | 50 | 800 |
| 14 | Медведев | Сергей | 54 | 38 | 308 | 50 | 75 | 25 | 66 | 0 | 0 | 25 | 53 | 50 | 50 | 793 |
| 15 | Аббасов | Анар | 31 | 13 | 308 | 25 | 100 | 0 | 22 | 0 | 25 | 25 | 81 | 75 | 75 | 779 |
| 16 | Шитов | Артём | 38 | 38 | 360 | 75 | 50 | 50 | 25 | 0 | 0 | 25 | 73 | 25 | 0 | 760 |
| 17 | Луговцов | Михаил | 0 | 0 | 192 | 50 | 100 | 50 | 62 | 0 | 50 | 25 | 44 | 75 | 75 | 723 |
| 18 | Раскатов | Павел | 54 | 0 | 160 | 75 | 75 | 0 | 47 | 0 | 25 | 25 | 81 | 75 | 100 | 717 |
| 19 | Приходько | Андрей | 15 | 13 | 256 | 75 | 25 | 50 | 39 | 13 | 25 | 0 | 47 | 75 | 75 | 707 |
| 20 | Раёва | Алина | 15 | 0 | 192 | 50 | 75 | 0 | 57 | 50 | 0 | 25 | 53 | 75 | 75 | 668 |
| 21 | Рыжков | Никита | 38 | 0 | 256 | 75 | 25 | 25 | 44 | 0 | 50 | 0 | 69 | 25 | 50 | 658 |
| 22 | Бакланов | Михаил | 23 | 38 | 231 | 50 | 75 | 25 | 37 | 0 | 50 | 0 | 50 | 25 | 50 | 654 |
| 23 | Алёхина | Анастасия | 0 | 25 | 359 | 0 | 75 | 25 | 17 | 50 | 0 | 0 | 66 | 25 | 0 | 641 |
| 24 | Коршунова | Евгения | 0 | 13 | 192 | 50 | 75 | 50 | 37 | 0 | 25 | 25 | 67 | 25 | 75 | 634 |
| 25 | Дементьева | Ксения | 31 | 13 | 192 | 50 | 100 | 0 | 25 | 0 | 0 | 25 | 72 | 50 | 75 | 632 |
| 26 | Горбунов | Александр | 46 | 25 | 212 | 50 | 25 | 25 | 62 | 0 | 25 | 0 | 63 | 50 | 50 | 632 |
| 27 | Телятников | Владимир | 69 | 13 | 288 | 25 | 100 | 50 | 0 | 31 | 0 | 0 | 41 | 0 | 0 | 617 |
| 28 | Пермякова | Наталья | 15 | 0 | 192 | 50 | 50 | 0 | 40 | 63 | 0 | 0 | 69 | 75 | 50 | 604 |
| 29 | Гатауллина | Динара | 23 | 0 | 192 | 50 | 50 | 75 | 29 | 19 | 25 | 0 | 33 | 25 | 75 | 596 |
| 30 | Гладких | Иван | 23 | 0 | 295 | 25 | 25 | 50 | 31 | 0 | 25 | 0 | 44 | 50 | 0 | 568 |
| 31 | Мустафин | Юрий | 54 | 13 | 231 | 50 | 0 | 25 | 34 | 0 | 50 | 0 | 69 | 0 | 0 | 525 |
| 32 | Дзядук | Иван | 85 | 13 | 0 | 50 | 75 | 75 | 35 | 38 | 25 | 0 | 44 | 50 | 25 | 514 |
| 33 | Чекасина | Екатерина | 23 | 38 | 237 | 25 | 0 | 25 | 29 | 0 | 0 | 0 | 52 | 25 | 50 | 504 |
| 34 | Китов | Данила | 31 | 25 | 69 | 0 | 100 | 75 | 42 | 13 | 25 | 0 | 69 | 25 | 25 | 498 |
| 35 | Сидорова | Дарья | 23 | 0 | 308 | 25 | 50 | 25 | 20 | 0 | 0 | 25 | 19 | 0 | 0 | 494 |
| 36 | Болотов | Валентин | 0 | 0 | 186 | 75 | 0 | 50 | 39 | 25 | 25 | 0 | 41 | 0 | 50 | 491 |
| 37 | Гильмуллина | Лилия | 31 | 13 | 199 | 75 | 25 | 0 | 0 | 13 | 0 | 25 | 31 | 25 | 25 | 461 |
| 38 | Ветлужских | Михаил | 0 | 0 | 115 | 75 | 50 | 0 | 41 | 0 | 50 | 0 | 44 | 50 | 25 | 450 |
| 39 | Антропов | Андрей | 46 | 50 | 0 | 75 | 75 | 50 | 36 | 0 | 25 | 0 | 44 | 0 | 25 | 426 |
| 40 | Ярош | Диана | 23 | 0 | 173 | 0 | 50 | 0 | 14 | 0 | 0 | 0 | 39 | 50 | 75 | 424 |
| 41 | Корчемкина | Дарья | 38 | 0 | 160 | 50 | 75 | 0 | 6 | 0 | 0 | 0 | 33 | 50 | 0 | 412 |
| 42 | Иванов | Михаил | 46 | 0 | 167 | 50 | 0 | 0 | 0 | 0 | 0 | 0 | 69 | 50 | 0 | 382 |
| 43 | Дунаева | Анна | 54 | 0 | 154 | 25 | 50 | 0 | 12 | 19 | 0 | 0 | 42 | 0 | 25 | 380 |
| 44 | Зотов | Кирилл | 23 | 0 | 154 | 75 | 25 | 0 | 37 | 0 | 25 | 0 | 0 | 25 | 0 | 364 |
| 45 | Строков | Михаил | 85 | 38 | 0 | 50 | 0 | 0 | 28 | 0 | 50 | 25 | 16 | 0 | 25 | 316 |
| 46 | Мышаков | Роман | 62 | 13 | 135 | 0 | 0 | 0 | 17 | 0 | 25 | 0 | 27 | 0 | 25 | 302 |
| 47 | Пеганов | Александр | 15 | 13 | 135 | 0 | 25 | 50 | 4 | 0 | 0 | 0 | 31 | 0 | 25 | 298 |
| 48 | Усс | Павел | 38 | 0 | 30 | 75 | 50 | 0 | 12 | 0 | 50 | 0 | 16 | 0 | 0 | 271 |
| 49 | Чеботаев | Юрий | 0 | 0 | 0 | 75 | 50 | 0 | 23 | 0 | 0 | 0 | 13 | 0 | 25 | 185 |
| 50 | Бульц | Регина | 0 | 0 | 0 | 100 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 100 |
| 51 | Колосов | Александр | 23 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 25 | 0 | 0 | 0 | 0 | 48 |
АНАЛИЗ ИНФОРМАТИВННОСТИ ПРИЗНАКОВ
Информационные веса признаков (в относит. единицах):
-------------------------------------------------------------------------------
Признак : 12 5 3 14 10 13 11 7 6 4
-------------------------------------------------------------------------------
Инф. вес: 1.000 0.936 0.891 0.707 0.672 0.598 0.551 0.493 0.243 0.143
-------------------------------------------------------------------------------
-------------------------------------------------------------------------------
Признак : 2 9 1 8
-------------------------------------------------------------------------------
Инф. вес: 0.075 0.052 0.025 0.000
-------------------------------------------------------------------------------
Вывод: В результате исследования информативности признаков было выявлено, что наиболее существенными признаками являются тесты № 12, 5 и 3.
ТАКСОНОМИЯ МНОЖЕСТВА ПРИЗНАКОВ
Параметры алгоритма таксономии устанавливаются автоматически. Для этого выполняется расчет макс. и мин. (по модулю) значений. коэффициента парной корреляции. В результате выполнены следующие назначения:
начальное пороговое значение коэф-та парной корреляции (по модулю) - 0.848
конечное пороговое значение коэф-та парной корреляции (по модулю) - 0.013
шаг изменения порогового значения 0.083
Таксономия при RO = 0.848
Все таксоны единичные.
Таксономия при RO = 0.764
*Таксон 1: 3, 14.
Остальные таксоны единичные.
Таксономия при RO = 0.681
*Таксон 1: 3, 7, 14.
Остальные таксоны единичные.
Таксономия при RO = 0.597
*Таксон 1: 3, 5, 7, 11, 12, 14.
Остальные таксоны единичные.
Таксономия при RO = 0.514
*Таксон 1: 2, 3, 5, 6, 7, 10, 11, 12, 13, 14.
Остальные таксоны единичные.
Таксономия при RO = 0.430
Все признаки вошли в один таксон.
| R0 | МУВ | Устойчивость |
| 0.764 | 3,14 | неустойчивый |
| 0.681 | 3,7,14 | неустойчивый |
| 0.597 | 3,5,7,11,12,14 | неустойчивый |
| 0,514 | 2,3,5,6,7,10,11,12,13,14 | неустойчивый |
Всего таксонов – 4
ρ = 78 %
По шкале интеллектуальных задач (ШИЗ) хорошо, т.к. 0,78 > 0,75 и 0,78 < 0,95.
Вывод: по результатам таксономии выявлено, что наиболее общие свойства и признаков 3, 14.
3.3.2. Второй поток студентов.
В таблице, представленной ниже, даны результаты тестирования студентов из групп ИТ-18011,ВИ-18013,ВИ-18031 за 2008-2009г.
| № | Фамилия | Имя | МК1 | МК2 | МК3 | МК4 | Прил.диф. исч. | МК5 | МК6 | МК7 | МК8 | Интегр. | МК12 | Рег12 | Рег13 | МК13 | МК14 | ДУ | Сум |
| 1 | Байрамлы | Абдулла | 0 | 0 | 25 | 50 | 25 | 25 | 25 | 17 | 0 | 25 | 70 | 0 | 0 | 0 | 25 | 0 | 287 |
| 2 | Бачаев | Иван | 25 | 0 | 25 | 25 | 21 | 0 | 0 | 0 | 0 | 38 | 50 | 0 | 0 | 0 | | 0 | 183 |
| 3 | Бездомова | Анна | 0 | 75 | 75 | 25 | 188 | 50 | 25 | 50 | 0 | 0 | 0 | 0 | 0 | 25 | 0 | 6 | 518 |
| 4 | Беляева | Анастасия | 0 | 100 | | 50 | 234 | 38 | 30 | 50 | 0 | 0 | 50 | 0 | 0 | 75 | 63 | 167 | 856 |
| 5 | Герасименко | Алена | 25 | 71 | 25 | 25 | 131 | 0 | 30 | 83 | 0 | 94 | 25 | 0 | 0 | 38 | 25 | 50 | 622 |
| 6 | Добрых | Александр | 50 | 0 | 25 | 50 | 35 | 38 | 0 | 33 | 25 | 31 | 25 | 0 | 0 | 25 | 0 | 6 | 343 |
| 7 | Иванов | Владимир | 0 | 0 | 0 | 50 | 34 | 50 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 134 |
| 8 | Искорцева | Елена | 0 | 0 | 100 | 75 | 100 | 38 | 25 | 50 | 25 | 0 | 0 | 0 | 0 | 25 | 25 | 50 | 513 |
| 9 | Киселев | Максим | 0 | 100 | 0 | 0 | 9 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 109 |
| 10 | Козионов | Илья | 0 | 50 | 0 | 0 | 19 | 50 | 0 | 25 | 0 | 25 | 50 | 0 | 0 | 25 | 0 | 0 | 244 |
| 11 | Кузнецов | Александр | 0 | 0 | 0 | 0 | 6 | 25 | 0 | 25 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 56 |
| 12 | Нещерецкая | Ольга | 50 | 38 | 25 | 0 | 96 | 38 | 0 | 100 | 0 | 156 | 25 | 0 | 0 | 0 | 25 | 111 | 663 |
| 13 | Парищук | Иван | 25 | 0 | 25 | 75 | 28 | 0 | 0 | 0 | 0 | 0 | 50 | 0 | 0 | 0 | 0 | 0 | 203 |
| 14 | Першин | Михаил | 0 | 21 | 50 | 50 | 34 | 25 | 30 | 17 | 0 | 44 | 0 | 0 | 0 | 0 | 25 | 13 | 309 |
| 15 | Петрова | Марина | 0 | 50 | 50 | 75 | 138 | 13 | 5 | 0 | 0 | 44 | 0 | 0 | 0 | 0 | 25 | 44 | 443 |
| 16 | Помехина | Ангелина | 50 | 0 | 75 | 25 | 163 | 63 | 40 | 58 | 0 | 113 | 25 | 0 | 0 | 100 | 25 | 111 | 847 |
| 17 | Родионов | Роман | 0 | 25 | 0 | 75 | 41 | 13 | 40 | 75 | 0 | 44 | 0 | 0 | 0 | 25 | 25 | 0 | 362 |
| 18 | Самсонова | Эмилия | 50 | 58 | 75 | 75 | 266 | 38 | 5 | 33 | 0 | 188 | 30 | 0 | 0 | 75 | 63 | 139 | 1094 |
| 19 | Семагин | Артем | 25 | 13 | 0 | 0 | 169 | 38 | 30 | 17 | 0 | 94 | 35 | 0 | 0 | 25 | 13 | 89 | 546 |
| 20 | Тузин | Мирослав | 25 | 0 | 0 | 75 | 22 | 0 | 0 | 0 | 0 | 0 | 25 | 0 | 0 | 13 | 0 | 17 | 176 |
| 21 | Швецов | Артем | | 25 | 25 | 100 | 79 | 75 | 0 | 0 | 0 | 0 | 100 | 0 | 0 | 0 | 25 | 0 | 429 |
| 22 | Батурин | Олег | 25 | 50 | 25 | 50 | 24 | 38 | 25 | 50 | 25 | 25 | 50 | 0 | 0 | 25 | 0 | 50 | 461 |
| 23 | Белкина | Анна | 25 | 50 | 75 | 25 | 250 | 38 | 5 | 75 | 25 | 63 | 50 | 0 | 0 | 63 | 50 | 167 | 959 |
| 24 | Бухрякова | Светлана | 50 | 8 | 0 | 0 | 88 | 13 | 0 | 58 | 0 | 38 | 0 | 0 | 0 | 25 | 25 | 0 | 304 |
| 25 | Ванчугов | Александр | 25 | 38 | 0 | 0 | 16 | 13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 91 |
| 26 | Веретенникова | Екатерина | 25 | 50 | 75 | 25 | 263 | 38 | 15 | 100 | 25 | 188 | 50 | 0 | 0 | 63 | 38 | 306 | 1258 |
| 27 | Годонюк | Дмитрий | 50 | 38 | 75 | 50 | 40 | 50 | 30 | 38 | 25 | 25 | 0 | 0 | 0 | 25 | 0 | 22 | 467 |
| 28 | Демин | Алексей | 0 | 0 | 0 | 25 | 13 | 50 | 0 | 58 | 25 | 0 | 0 | 0 | 0 | 0 | 0 | 11 | 182 |
| 29 | Костромина | Юлия | 25 | | 50 | 0 | 38 | 0 | 0 | 8 | 0 | 19 | 0 | 0 | 0 | 0 | 0 | 0 | 140 |
| 30 | Лейчук | Диана | 75 | 50 | 50 | 50 | 484 | 50 | 75 | 75 | 0 | 375 | 50 | 0 | 0 | 75 | 63 | 167 | 1639 |
| 31 | Локтеев | Илья | 0 | 13 | 0 | 50 | 21 | 13 | 0 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 0 | 0 | 102 |
| 32 | Николаева | Дарья | 0 | 25 | 0 | 0 | 18 | 13 | 5 | 25 | 0 | 13 | 0 | 0 | 0 | 0 | 25 | 11 | 134 |
| 33 | Пряничникова | Евгения | 25 | 0 | 0 | 50 | 28 | 0 | 25 | 25 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 153 |
| 34 | Разумова | Виктория | 0 | 46 | 75 | 50 | 125 | 25 | 0 | 75 | 0 | 25 | 50 | 0 | 0 | 25 | 25 | 22 | 543 |
| 35 | Фролова | Наталья | 0 | 50 | 50 | 50 | 358 | 63 | 40 | 25 | 25 | 250 | 35 | 0 | 0 | 50 | 25 | 222 | 1243 |
| 36 | Шевченко | Кристина | 0 | 8 | | 50 | 38 | 0 | 15 | 50 | 0 | 6 | 0 | 0 | 0 | 25 | 44 | 23 | 259 |
| 37 | Базинская | Татьяна | 0 | | 25 | 25 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 13 | 0 | 6 | 68 |
| 38 | Вешкурова | Кристина | 25 | 38 | 0 | 75 | 24 | 13 | 5 | 33 | 0 | 25 | 50 | 0 | 0 | 0 | 0 | 50 | 337 |
| 39 | Габдрахманова | Альбина | 0 | 0 | | 25 | 25 | 13 | 0 | 0 | 0 | 6 | 45 | 0 | 0 | 50 | 25 | 44 | 233 |
| 40 | Горенко | Ольга | 25 | | 50 | 50 | 309 | 38 | 65 | 75 | 25 | 313 | 0 | 0 | 0 | 38 | 25 | 306 | 1317 |
| 41 | Здобнова | Екатерина | 0 | 25 | 75 | 25 | 15 | 0 | 15 | 33 | 0 | 38 | 0 | 0 | 0 | 25 | 0 | 19 | 269 |
| 42 | Кащук | Юлия | 25 | 25 | 25 | 50 | 54 | 0 | 0 | 0 | 0 | 63 | 5 | 0 | 0 | 0 | 38 | 67 | 351 |
| 43 | Клепинин | Алексей | 0 | 25 | 0 | 50 | 113 | 13 | 15 | 50 | 0 | 19 | 50 | 0 | 0 | 0 | 38 | 11 | 382 |
| 44 | Кобзарева | Дарья | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 6 | 0 | 0 | 0 | 0 | 0 | 00 | 6 |
| 45 | Козий | Екатерина | 0 | 0 | 25 | 75 | 11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 50 | 11 | 173 |
| 46 | Масленников | Павел | 0 | 0 | 0 | 50 | 119 | 13 | 30 | 50 | 0 | 25 | 50 | 0 | 0 | 50 | 25 | 111 | 522 |
| 47 | Никифорова | Елена | 25 | 25 | 50 | 50 | 113 | 0 | 0 | 75 | 25 | 75 | 50 | 0 | 0 | 0 | 25 | 67 | 579 |
| 48 | Пузаков | Антон | 0 | 50 | 25 | 75 | 84 | 0 | 30 | 0 | 0 | 25 | 60 | 0 | 0 | 75 | 13 | 67 | 504 |
| 49 | Путилова | Ирина | 0 | 8 | 25 | 75 | 3 | 0 | 5 | 50 | 0 | 0 | 25 | 0 | 0 | 25 | 13 | 17 | 246 |
| 50 | Русинов | Александр | 0 | 0 | 50 | 50 | 20 | 25 | 15 | 0 | 0 | 25 | 0 | 0 | 0 | 50 | 19 | 17 | 270 |
| 51 | Рычков | Антон | 0 | 46 | 50 | 50 | 23 | 13 | 30 | 8 | 0 | 0 | 75 | 0 | 0 | 25 | 0 | 33 | 353 |
АНАЛИЗ ИНФОРМАТИВННОСТИ ПРИЗНАКОВ
Информационные веса признаков (в относит. единицах):
-------------------------------------------------------------------------------
Признак : 15 6 5 3 14 12 8 2 10 9
-------------------------------------------------------------------------------
Инф. вес: 1.000 0.959 0.838 0.807 0.764 0.754 0.741 0.693 0.620 0.484
-------------------------------------------------------------------------------
-------------------------------------------------------------------------------
Признак : 13 7 11 1 4
-------------------------------------------------------------------------------
Инф. вес: 0.472 0.417 0.292 0.251 0.000
-------------------------------------------------------------------------------
Вывод: В результате исследования информативности признаков было выявлено, что наиболее существенными признаками являются тесты № 15, 6 и 5.
ТАКСОНОМИЯ МНОЖЕСТВА ПРИЗНАКОВ
В результате выполнены следующие назначения:
начальное пороговое значение коэф-та парной корреляции (по модулю) - 0.955
конечное пороговое значение коэф-та парной корреляции (по модулю) - 0.003
шаг изменения порогового значения 0.095
Таксономия при RO = 0.955
Все таксоны единичные.
Таксономия при RO = 0.860
*Таксон 1: 5, 10, 14, 15.
Остальные таксоны единичные.
Таксономия при RO = 0.765
*Таксон 1: 5, 10, 14, 15.
Остальные таксоны единичные.
Таксономия при RO = 0.669
*Таксон 1: 5, 10, 14, 15.
Остальные таксоны единичные.
Таксономия при RO = 0.574
*Таксон 1: 5, 7, 10, 12, 13, 14, 15.
Остальные таксоны единичные.
Таксономия при RO = 0.479
*Таксон 1: 3, 5, 6, 7, 8, 9, 10, 12, 13, 14, 15.
Остальные таксоны единичные.
Таксономия при RO = 0.384
*Таксон 1: 1, 3, 5, 6, 7, 8, 9, 10, 12, 13, 14, 15.
Остальные таксоны единичные.
Таксономия при RO = 0.288
*Таксон 1: 1, 2, 3, 5, 6, 7, 8, 9, 10, 12, 13, 14, 15.
Остальные таксоны единичные.
Таксономия при RO = 0.193
Все признаки вошли в один таксон.
| R0 | МУВ | Устойчивость |
| 0.860 | 5,10,14,15 | устойчивый |
| 0.765 | 5,10,14,15 | |
| 0.669 | 5,10,14,15 | |
| 0,574 | 5,7,10,12,13,14,15 | неустойчивый |
| 0,479 | 3,5,6,7,8,9,10,12,13,14,15 | неустойчивый |
| 0,384 | 1,3,5,6,7,8,9,10,12,13,14,15 | неустойчивый |
| 0,288 | 1,2,3,5,6,7,8,9,10,12,13,14,15 | неустойчивый |
Всего таксонов – 7
ρ = 81 %
По шкале интеллектуальных задач (ШИЗ) хорошо, т.к. 0,81 > 0,75 и 0,81 < 0,95.
Вывод: по результатам таксономии выявлено, что наиболее общие свойства и признаков 5, 10, 14, 15.
3.3.3. Третий поток студентов.
В таблице, представленной ниже, даны результаты тестирования студентов из групп ИТ-28011,ВИ-28013,ВИ-28031 за 2008-2009г.
| № | Фамилия | Имя | МК1 | МК2 | ФНП | МК3 | МК4 | МК5 | МК6 | МК7 | ИПФ | МК8 | МК9 | МК10 | МК11 | ВА | МК12 | МК13 | Сум |
| 1 | Лейчук | Диана | 50 | 38 | 190 | 67 | 38 | 50 | 75 | 50 | 315 | 75 | 75 | 42 | 71 | 445 | 58 | 17 | 1656 |
| 2 | Шевякова | Зоя | 25 | 75 | 246 | 47 | 50 | 75 | 50 | 100 | 266 | 75 | 75 | 100 | 96 | 225 | 33 | 50 | 1589 |
| 3 | Фролова | Наталья | 50 | 0 | 216 | 50 | 0 | 75 | 75 | 25 | 367 | 25 | 0 | 50 | 75 | 300 | 25 | 25 | 1358 |
| 4 | Нещерецкая | Ольга | 13 | 50 | 215 | 60 | 38 | 25 | 25 | 25 | 233 | 75 | 0 | 50 | 67 | 414 | 25 | 25 | 1340 |
| 5 | Горенко | Ольга | 42 | 0 | 310 | 68 | 25 | 0 | 75 | 75 | 219 | 50 | 75 | 50 | 43 | 178 | 71 | 25 | 1305 |
| 6 | Помехина | Ангелина | 4 | 100 | 308 | 67 | 50 | 50 | 50 | 0 | 140 | 50 | 25 | 42 | 50 | 255 | 58 | 8 | 1257 |
| 7 | Веретенникова | Екатерина | 8 | 50 | 184 | 42 | 50 | 25 | 0 | 50 | 149 | 25 | 50 | 38 | 50 | 316 | 100 | 0 | 1137 |
| 8 | Самсонова | Эмилия | 50 | 38 | 192 | 80 | 50 | 25 | 0 | 25 | 150 | 25 | 0 | 0 | 64 | 300 | 25 | 0 | 1024 |
| 9 | Масленников | Павел | 8 | 0 | 92 | 50 | 25 | 13 | 25 | 75 | 80 | 25 | 0 | 50 | 75 | 241 | 92 | 75 | 925 |
| 10 | Беляева | Анастасия | 13 | 25 | 154 | 80 | 25 | 25 | 25 | 0 | 186 | 25 | 25 | 38 | 58 | 178 | 50 | 8 | 915 |
| 11 | Добрых | Александр | 33 | 63 | 215 | 42 | 75 | 0 | 0 | 0 | 117 | 50 | 0 | 92 | 71 | 55 | 33 | 0 | 846 |
| 12 | Герасименко | Алена | 17 | 13 | 69 | 17 | 25 | 63 | 25 | 0 | 67 | 25 | 25 | 13 | 25 | 219 | 75 | 25 | 701 |
| 13 | Белкина | Анна | 0 | 25 | 16 | 60 | 25 | 25 | 25 | 25 | 123 | 50 | 0 | 38 | 21 | 141 | 58 | 8 | 640 |
| 14 | Рычков | Антон | 17 | 0 | 108 | 13 | 0 | 0 | 0 | 33 | 37 | 25 | 0 | 25 | 44 | 202 | 75 | 8 | 587 |
| 15 | Ястребинский | Василий | 4 | 25 | 69 | 0 | 25 | 21 | 25 | 0 | 42 | 50 | 25 | 50 | 25 | 190 | 0 | 0 | 550 |
| 16 | Кащук | Юлия | 17 | 0 | 152 | 25 | 0 | 25 | 25 | 0 | 50 | 50 | 0 | 31 | 21 | 81 | 33 | 0 | 511 |
| 17 | Петрова | Марина | 25 | 25 | 115 | 0 | 0 | 0 | 25 | 63 | 100 | 25 | 0 | 13 | 0 | 84 | 0 | 25 | 500 |
| 18 | Искорцева | Елена | 0 | 13 | 38 | 38 | 0 | 38 | 0 | 21 | 35 | 0 | 50 | 38 | 42 | 128 | 58 | 0 | 498 |
| 19 | Никифорова | Елена | 25 | 0 | 45 | 25 | 25 | 25 | 50 | 0 | 77 | 25 | | 13 | 46 | 47 | 50 | 8 | 461 |
| 20 | Шугалия | Кирилл | 33 | 13 | 62 | 8 | 0 | 8 | 25 | 0 | 57 | 50 | 25 | 33 | 50 | 74 | 0 | 0 | 439 |
| 21 | Семагин | Артем | 25 | 25 | 31 | 0 | 0 | 38 | 0 | 0 | 33 | 50 | 0 | 63 | 46 | 48 | 50 | 8 | 417 |
| 22 | Пузаков | Антон | 0 | 25 | 46 | 0 | 0 | 46 | 25 | 0 | 38 | 0 | 0 | 75 | 25 | 90 | 33 | 0 | 403 |
| 23 | Локтеев | Илья | 0 | 0 | 23 | 0 | 0 | 0 | 0 | 0 | 14 | 0 | 0 | 13 | 50 | 156 | 100 | 33 | 390 |
| 24 | Батурин | Олег | 17 | 0 | 30 | 33 | 0 | 38 | 0 | 0 | 37 | 50 | 25 | 13 | 0 | 63 | 50 | 0 | 354 |
| 25 | Чащин | Сергей | 13 | 0 | 31 | 0 | 25 | 46 | 25 | 25 | 54 | 0 | 0 | 38 | 17 | 36 | 25 | 0 | 333 |
| 26 | Сергеев | Денис | 8 | 0 | 92 | 50 | 0 | 0 | 0 | 0 | 39 | 0 | 25 | 13 | 25 | 81 | 0 | 0 | 333 |
| 27 | Клепинин | Алексей | 25 | 0 | 62 | 17 | 0 | 0 | 0 | 0 | 15 | 0 | 0 | 8 | 43 | 50 | 58 | 50 | 328 |
| 28 | Родионов | Роман | 0 | 38 | 38 | 17 | 0 | 0 | 0 | 0 | 11 | 50 | 0 | 42 | 46 | 17 | 42 | 13 | 312 |
| 29 | Бездомова | Анна | 13 | 0 | 31 | 13 | 0 | 13 | 0 | 13 | 62 | 0 | 0 | 17 | 25 | 44 | 83 | 0 | 311 |
| 30 | Соловьев | Евгений | 17 | 0 | 31 | 42 | 25 | 13 | 0 | 0 | 38 | 0 | 0 | 25 | 50 | 37 | 25 | 0 | 302 |
| 31 | Разумова | Виктория | 33 | 0 | 31 | 42 | 0 | | 25 | 21 | 65 | 0 | 13 | 0 | 14 | 31 | 0 | 8 | 283 |
| 32 | Бухрякова | Светлана | 25 | 0 | 23 | 5 | 0 | 25 | 0 | 0 | 73 | 0 | 0 | 6 | 17 | 19 | 75 | 8 | 276 |
| 33 | Шевченко | Кристина | 0 | 0 | 45 | 33 | 0 | 0 | 25 | 0 | 63 | 0 | 25 | 8 | 50 | 25 | 0 | 0 | 275 |
| 34 | Путилова | Ирина | 0 | 0 | 23 | 13 | 0 | 0 | 25 | 0 | 22 | 25 | 50 | 31 | 0 | 32 | 33 | 8 | 262 |
| 35 | Здобнова | Екатерина | 8 | 0 | 31 | 13 | 0 | 0 | 0 | 25 | 30 | 0 | 0 | 6 | 0 | 104 | 25 | 0 | 243 |
| 36 | Тузин | Мирослав | 38 | 0 | 23 | 17 | 0 | 38 | 0 | 25 | 0 | 0 | 25 | 0 | 0 | 44 | 8 | 0 | 217 |
| 37 | Годонюк | Дмитрий | 38 | 0 | | 43 | 0 | 0 | 25 | 0 | 26 | 0 | 6 | 31 | 21 | 0 | 0 | 21 | 211 |
| 38 | Швецов | Артем | 50 | 0 | 0 | 0 | 0 | 25 | 0 | 25 | 33 | 0 | 50 | 0 | 0 | 0 | 0 | 0 | 183 |
| 39 | Байрамлы | Абдулла | 0 | 0 | 15 | 17 | 0 | 13 | 0 | 25 | 14 | 0 | 25 | 25 | 17 | 31 | 0 | 0 | 182 |
| 40 | Габдрахманова | Альбина | 25 | 0 | 23 | 0 | 0 | 13 | 0 | 0 | 47 | 0 | 0 | 8 | 25 | 0 | 8 | 0 | 149 |
| 41 | Першин | Михаил | 17 | 0 | 23 | 0 | 0 | 0 | 0 | 0 | 9 | 25 | 0 | 0 | 17 | 21 | 25 | 0 | 136 |
| 42 | Русинов | Александр | 0 | 0 | 8 | 25 | 0 | 0 | 0 | 0 | 29 | 0 | 0 | 0 | 14 | 24 | 0 | 25 | 125 |
| 43 | Тормышова | Виктория | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 25 | 0 | 17 | 60 | 0 | 0 | 102 |
| 44 | Бачаев | Иван | 8 | 0 | 0 | 17 | 0 | 0 | 0 | 13 | 0 | 0 | 25 | 0 | 0 | 0 | 33 | 0 | 96 |
| 45 | Кобзарева | Дарья | 8 | 0 | 8 | 0 | 0 | 0 | 0 | 0 | 3 | 50 | 0 | 8 | 0 | 12 | 0 | 0 | 90 |
АНАЛИЗ ИНФОРМАТИВННОСТИ ПРИЗНАКОВ
Информационные веса признаков (в относит. единицах):
-------------------------------------------------------------------------------
Признак : 17 10 14 3 13 12 7 9 5 15
-------------------------------------------------------------------------------
Инф. вес: 1.000 0.940 0.877 0.873 0.761 0.684 0.664 0.577 0.568 0.566
-------------------------------------------------------------------------------
-------------------------------------------------------------------------------
Признак : 2 6 4 8 16 1 11
-------------------------------------------------------------------------------
Инф. вес: 0.528 0.519 0.512 0.279 0.125 0.015 0.000
-------------------------------------------------------------------------------
Вывод: В результате исследования информативности признаков было выявлено, что наиболее существенными признаками являются тесты № 17, 10 и 14.
ТАКСОНОМИЯ МНОЖЕСТВА ПРИЗНАКОВ
Параметры алгоритма таксономии устанавливаются автоматически. Для этого выполняется расчет макс. и мин. (по модулю) значений коэффициента парной корреляции. В результате выполнены следующие назначения:
начальное пороговое значение коэф-та парной корреляции (по модулю) - 0.912
конечное пороговое значение коэф-та парной корреляции (по модулю) - 0.007
шаг изменения порогового значения 0.091
Таксономия при RO = 0.912
Все таксоны единичные.
Таксономия при RO = 0.821
*Таксон 1: 3, 9, 14, 17.
Остальные таксоны единичные.
Таксономия при RO = 0.731
*Таксон 1: 2, 5.
*Таксон 2: 3, 7, 9, 13, 14, 17.
Остальные таксоны единичные.
Таксономия при RO = 0.640
*Таксон 1: 2, 3, 4, 5, 7, 9, 10, 13, 14, 17.
Остальные таксоны единичные.
Таксономия при RO = 0.550
*Таксон 1: 2, 3, 4, 5, 6, 7, 8, 9, 10, 12, 13, 14, 17.
Остальные таксоны единичные.
Таксономия при RO = 0.459
*Таксон 1: 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 16,
17.
Остальные таксоны единичные.
Таксономия при RO = 0.369
Все признаки вошли в один таксон.
| R0 | МУВ | Устойчивость |
| 0.821 | 3,9,14,17 | неустойчивый |
| 0.731 | 3,7,9,13,14,17 | неустойчивый |
| 0.640 | 2,3,4,5,7,9,10,13,14,17 | неустойчивый |
| 0,550 | 2,3,4,5,6,7,8,9,10,12,13,14,17 | неустойчивый |
| 0,459 | 1,2,3,4,5,6,7,8,9,10,11,12,13,14,16 | неустойчивый |
Всего таксонов – 5
ρ = 76 %
По шкале интеллектуальных задач (ШИЗ) хорошо, т.к. 0,76 > 0,75 и 0,76 < 0,95.
Вывод: по результатам таксономии выявлено, что наиболее общие свойства и признаков 3,9, 14, 17.
3. ЗАКЛЮЧЕНИЕ
В ходе выполнения работы были собранны и проанализированы данные об успеваемости студентов при помощи пакета «КВАЗАР».
Выявив наиболее существенные тесты по трем потокам, мы получили следующие результаты:
· В потоке студентов из групп ИТ-190101,ВИ-190102,ВИ-190301 наиболее существенными тестами оказались тесты № 12, 5 и 3.
· В потоке студентов из групп ИТ-18011,ВИ-18013,ВИ-18031 наиболее существенными тестами оказались тесты № 15, 6 и 5.
· В потоке студентов из групп ИТ-28011,ВИ-28013,ВИ-28031 наиболее существенными тестами оказались тесты № 12, 5 и 3.
Также по результатам таксономии можно сделать следующие выводы:
· Общие свойства имеют признаки 3, 14, т.к. тест № 3 является существенным, то можно сделать вывод, что тест № 14 можно также отнести в группу существенных признаков.
· Общие свойства имеют признаки 5, 10, 14, 15, т.к. тесты № 5 и 15 является существенным, то можно сделать вывод, что тесты № 10 и 14 можно также отнести в группу существенных признаков.
· Общие свойства имеют признаки 3,9, 14, 17, т.к. тест № 3 является существенным, то можно сделать вывод, что тесты № 9, 14 и 17 можно также отнести в группу существенных признаков.
По результатам анализа можно сделать вывод, что студенты, имеющие неудовлетворительные результаты по информативным признакам, могут быть в скором времени отчислены.
В общем можно сделать вывод, что тест № 5 является наиболее существенным, среди всех потоков.
Во всех трех потоках студентов мы получили оценку «хорошо» по шкале интеллектуальных задач (ШИЗ), следовательно, можно сделать вывод, что с помощью методов ИИ можно прогнозировать результаты успеваемости студентов.
4. ЛИТЕРАТУРА
1. Горелик, Александр Леопольдович. Методы распознавания: Учеб. пособие для вузов / А. Л. Горелик, В. А. Скрипкин. - 3-е изд., перераб. и доп. - М.: Высшая школа, 1989. - 232 с.
2. Генкин, Виталий Леонидович. Системы распознавания автоматизированных производств / В.Л. Генкин, И.Л. Ерош, Э.С. Москалев. - Л.: Машиностроение, 1988. - 246с.
3. Яблонский, Феликс Максимович. Средства отображения информации: Учеб. для вузов по специальности "Пром. электроника" / Ф. М. Яблонский, Ю. В. Троицкий. - М.: Высшая школа, 1985. - 200 с.: ил.;
4. Гольдштейн С. Л. Введение в системологию и системотехнику / Ин-т развития регион. образов., подгот. и переподгот. пед. работников. - Екатеринбург: Б. и., 1994. - 198с. Гоппа, Валерий Денисович. Введение в алгебраическую теорию информации / В. Д. Гоппа. - М.: Наука. "Физ.-мат.лит.", 1995. - 108 с.: ил.;
5. Век радио: Перспективные пути развития антенных систем космической связи, теории управления и распознавания образов: Сб. науч. тр. / Под ред. Н.И. Черных; Редкол.: А.Ф. Богомолов, Н.Н. Красовский, В.Г. Лабунец и др. ; УрО РАН, Ин-т математики и механики. - Екатеринбург: Б. и., 1996. - 296с.
6. Бухалев, Вадим Алексеевич. Распознавание, оценивание и управление в системах со случайной скачкообразной структурой. - М.: Наука. Физматлит, 1996. - 288с.
7. Загоруйко, Николай Григорьевич. Прикладные методы анализа данных и знаний. - Новосибирск: Изд-во Ин-та математики, 1999. - 270 с.
8. Пестряков, Владимир Борисович. Индивидуальное прогнозирование состояния РЭА с использованием теории распознания образов: Учеб. пособие. - Куйбышев: КуАИ, 1980. - 88 с.
