KorAP: Find »[drukola/base=similaritate & drukola/pos=noun]« with Poliqarp

<1 ...49 50 51 ...53 >

1,321 matches

Corola-publishinghouse/Science/2075_a_3400

Scalarea multidimensională face posibilă reprezentarea acestor obiecte într-un spațiu perceptual (subiectiv), constituit pe baza judecăților despre obiecte pe care le fac subiecții. Datele prelucrate prin scalare multidimensională sunt judecăți despre obiecte. Acestea pot lua următoarele forme: (1) date de similaritate, alcătuite din judecățile subiecților privind similaritatea sau disimilaritatea obiectelor, și (2) date de preferințe, compuse din preferințele subiecților față de mulțimea de obiecte. Datele de similaritate sunt colectate prin întrebări de forma următoare, adresate subiecților: „Evaluați similaritatea produselor A și B

[Corola-publishinghouse/Science/2075_a_3400]
obiecte într-un spațiu perceptual (subiectiv), constituit pe baza judecăților despre obiecte pe care le fac subiecții. Datele prelucrate prin scalare multidimensională sunt judecăți despre obiecte. Acestea pot lua următoarele forme: (1) date de similaritate, alcătuite din judecățile subiecților privind similaritatea sau disimilaritatea obiectelor, și (2) date de preferințe, compuse din preferințele subiecților față de mulțimea de obiecte. Datele de similaritate sunt colectate prin întrebări de forma următoare, adresate subiecților: „Evaluați similaritatea produselor A și B pe o scală de la 1 la

[Corola-publishinghouse/Science/2075_a_3400]
prin scalare multidimensională sunt judecăți despre obiecte. Acestea pot lua următoarele forme: (1) date de similaritate, alcătuite din judecățile subiecților privind similaritatea sau disimilaritatea obiectelor, și (2) date de preferințe, compuse din preferințele subiecților față de mulțimea de obiecte. Datele de similaritate sunt colectate prin întrebări de forma următoare, adresate subiecților: „Evaluați similaritatea produselor A și B pe o scală de la 1 la 10”, „Exprimați acordul sau dezacordul față de afirmația: candidatul X și candidatul Z au aceleași șanse să câștige alegerile”. Datele

[Corola-publishinghouse/Science/2075_a_3400]
forme: (1) date de similaritate, alcătuite din judecățile subiecților privind similaritatea sau disimilaritatea obiectelor, și (2) date de preferințe, compuse din preferințele subiecților față de mulțimea de obiecte. Datele de similaritate sunt colectate prin întrebări de forma următoare, adresate subiecților: „Evaluați similaritatea produselor A și B pe o scală de la 1 la 10”, „Exprimați acordul sau dezacordul față de afirmația: candidatul X și candidatul Z au aceleași șanse să câștige alegerile”. Datele de preferință sunt culese prin întrebări de tipul: „Ce produse preferi

[Corola-publishinghouse/Science/2075_a_3400]
partide sunteți de acord ca UDMR să facă alianță politică?” (pentru alegătorii UDMR, care sunt rugați să aleagă dintr-o listă de partide prezente în alegeri) și așa mai departe. Scalarea multidimensională este bazată pe comparații între obiecte. Datele de similaritate nu includ judecăți de valoare (în termeni de „bun” sau „rău”) în compararea obiectelor. În schimb, datele de preferințe încorporează valorizarea unor atribute ale obiectelor, în comparații în urma cărora un obiect este preferat altui obiect. Orice obiect este evaluat atât

[Corola-publishinghouse/Science/2075_a_3400]
după etnie și rasă, nivel de educație, specializare, vârstă, origine socială, profesie (dimensiuni obiective), dar și după dimensiuni subiective cum ar fi sinceritatea, farmecul, carisma, frumusețea, capacitatea de a fi un lider sau de a impune. Pentru exprimarea judecății de similaritate sau a preferinței, subiecților li se pun în general întrebări care nu specifică atributele în funcție de care să se poată face comparația obiectelor. Dimensiunile subiective după care oamenii apreciază obiectele trebuie descoperite, nu impuse de cercetător. Chiar dacă două obiecte au aceleași

[Corola-publishinghouse/Science/2075_a_3400]
2. Această reprezentare ne dezvăluie „structura ascunsă” a datelor. Cu cât obiectele sunt mai similare în evaluările sau preferințele subiecților, cu atât distanța dintre ele pe hartă va fi mai mică și, cu cât sunt mai diferite în termeni de similaritate sau preferințe, cu atât pozițiile lor pe hartă vor fi mai îndepărtate. Pentru construcția hărții perceptuale a unei mulțimi de obiecte, tehnica folosește ca punct de plecare proximitățile între obiecte.Proximitatea dintre două obiecte funcționează ca distanță între obiecte și

[Corola-publishinghouse/Science/2075_a_3400]
ca punct de plecare proximitățile între obiecte.Proximitatea dintre două obiecte funcționează ca distanță între obiecte și este o valoare numerică indicând cât de similare sunt obiectele în percepția subiecților sau cât de apropiate se găsesc în preferințelelor. Datele de similaritate și datele de preferință sunt exprimate în proximități. Acest lucru poate fi imediat, când datele pe care le avem la dispoziție iau forma proximităților, sau este necesară o transformare a datelor în proximități. Atunci când, de exemplu, fiecărui subiect i se

[Corola-publishinghouse/Science/2075_a_3400]
preferință sunt exprimate în proximități. Acest lucru poate fi imediat, când datele pe care le avem la dispoziție iau forma proximităților, sau este necesară o transformare a datelor în proximități. Atunci când, de exemplu, fiecărui subiect i se cere să evalueze similaritatea a câte două obiecte pe o scală de la 0 la 10, unde 0 înseamnă „sunt perfect similare” și 10 înseamnă „nu seamănă deloc”, aceste valori sunt proximități. Valoarea 0 înseamnă distanță zero între obiecte, adică similaritate perfectă, iar 10 înseamnă

[Corola-publishinghouse/Science/2075_a_3400]
se cere să evalueze similaritatea a câte două obiecte pe o scală de la 0 la 10, unde 0 înseamnă „sunt perfect similare” și 10 înseamnă „nu seamănă deloc”, aceste valori sunt proximități. Valoarea 0 înseamnă distanță zero între obiecte, adică similaritate perfectă, iar 10 înseamnă distanța maximă între obiecte, adică disimilaritate maximă. Aceste date pot fi reprezentate printr-o matrice pătratică simetrică, în care pe linii și pe coloane se vor găsi obiectele, iar la intersecția dintre o linie și o

[Corola-publishinghouse/Science/2075_a_3400]
maximă între obiecte, adică disimilaritate maximă. Aceste date pot fi reprezentate printr-o matrice pătratică simetrică, în care pe linii și pe coloane se vor găsi obiectele, iar la intersecția dintre o linie și o coloană se va găsi valoarea similarității dintre ele, o valoare între 0 și 10. Vom obține o astfel de matrice pentru fiecare subiect. Pentru a putea analiza informațiile obținute de la toți subiecții, vom „agrega” aceste matrice individuale într-o singură matrice de proximități. Acest lucru se

[Corola-publishinghouse/Science/2075_a_3400]
vom „agrega” aceste matrice individuale într-o singură matrice de proximități. Acest lucru se poate realiza, de exemplu, calculând media valorilor obținute de perechi, de la fiecare subiect. La fel, dacă subiecților li se cere să ordoneze perechile de obiecte în funcție de similaritatea lor, datele obținute sunt proximități. Ele vor fi de asemenea reprezentate, pentru fiecare subiect, într-o matrice pătratică simetrică, unde pe linii și pe coloane se găsesc obiectele comparate, iar la intersecția dintre o linie și o coloană va fi

[Corola-publishinghouse/Science/2075_a_3400]
datele obținute sunt proximități. Ele vor fi de asemenea reprezentate, pentru fiecare subiect, într-o matrice pătratică simetrică, unde pe linii și pe coloane se găsesc obiectele comparate, iar la intersecția dintre o linie și o coloană va fi rangul similarității obiectelor aflate pe linie și pe coloană. Când însă, de exemplu, subiecților li se cere să ordoneze obiectele în funcție de preferință, de la primul la ultimul, datele noastre vor fi ranguri ale obiectelor individuale, și nu distanțe între perechi de obiecte. În

[Corola-publishinghouse/Science/2075_a_3400]
cărora le-a fost atribuit același rang) este egală cu zero. Proximitățile dintre obiecte sunt datele pe care le prelucrăm în scalarea multidimensională. Așa cum am arătat mai sus, ele se calculează în funcție de modul în care s-au colectat datele de similaritate sau de preferințe (i.e. în funcție de întrebările despre obiecte care le-au fost puse subiecților). Proximitățile sunt așezate într-o matrice pătratică, unde pe linii și pe coloane se găsesc obiectele evaluate. Valoarea aflată la intersecția dintre o linie și o

[Corola-publishinghouse/Science/2075_a_3400]
Pentru R=2, orice obiect i este reprezentat printr-un punct xi(xi1,xi2) în spațiul subiectiv bidimensional. Trebuie să găsim pozițiile punctelor xi, i=1, 2, ..., N astfel încât ele să reflecte cel mai bine proximitățile dintre obiecte (evaluările de similaritate sau preferințe făcute de subiecți). Acesta este lucrul central în scalarea multidimensională. Pentru a găsi mulțimea de puncte care redă cel mai bine proximitățile dintre obiecte, în general se stabilește o configurație inițială a obiectelor (punctelor) într-un spațiu cu

[Corola-publishinghouse/Science/2075_a_3400]
reprezentate de ultima configurație de puncte a algoritmului. Realizarea unei analize de scalare multidimensionalătc " Realizarea unei analize de scalare multidimensională" Scalarea multidimensională este o tehnică de analiză decompozițională. Ce înseamnă acest lucru? Metodele decompoziționale prelucrează măsuri globale sau generale de similaritate, pe baza cărora sunt produse hărți perceptuale ale poziționării relative a obiectelor. Ca atare, are două avantaje principale: (1) nu folosește atribute ale obiectelor, ci numai percepțiile și evaluările subiecților asupra obiectelor, și (2) pentru că fiecare subiect furnizează o evaluare

[Corola-publishinghouse/Science/2075_a_3400]
baza cărora sunt produse hărți perceptuale ale poziționării relative a obiectelor. Ca atare, are două avantaje principale: (1) nu folosește atribute ale obiectelor, ci numai percepțiile și evaluările subiecților asupra obiectelor, și (2) pentru că fiecare subiect furnizează o evaluare a similarității dintre obiecte, se pot construi hărți perceptuale atât pentru fiecare subiect, cât și una agregată, care să încorporeze evaluările tuturor subiecților. Aceste avantaje aduc cu ele câteva dezavantaje. Unul ar fi acela că subiecții nu dau nici un indiciu privind dimensiunile

[Corola-publishinghouse/Science/2075_a_3400]
datelor și formarea matricei de proximitățitc "Colectarea datelor și formarea matricei de proximități" Reprezentarea obiectelor sub forma unei hărți perceptuale se face pe baza evaluărilor subiective ale subiecților. Am arătat că acestea iau în general două forme: (1) date de similaritate, alcătuite din judecățile subiecților privind similaritatea sau disimilaritatea obiectelor, și (2) date de preferințe, compuse din preferințele subiecților în raport cu mulțimea de obiecte. De asemenea, am arătat că ele pot fi de la bun început proximități (sau disimilarități) sau este nevoie să

[Corola-publishinghouse/Science/2075_a_3400]
Colectarea datelor și formarea matricei de proximități" Reprezentarea obiectelor sub forma unei hărți perceptuale se face pe baza evaluărilor subiective ale subiecților. Am arătat că acestea iau în general două forme: (1) date de similaritate, alcătuite din judecățile subiecților privind similaritatea sau disimilaritatea obiectelor, și (2) date de preferințe, compuse din preferințele subiecților în raport cu mulțimea de obiecte. De asemenea, am arătat că ele pot fi de la bun început proximități (sau disimilarități) sau este nevoie să fie prelucrate pentru a putea fi

[Corola-publishinghouse/Science/2075_a_3400]
reduce deci la forma în care a fost pusă întrebarea. Să luăm un exemplu. Întrebarea cere subiecților să compare obiectele două câte două, în funcție de cât de asemănătoare sunt. Ei sunt rugați să evalueze pe o scală de la 0 la 10 similaritatea obiectelor, unde 0 înseamnă că nu seamănă deloc, iar 10 înseamnă că sunt perfect identice. Există două moduri de a așeza informația astfel obținută de la subiecți într-o bază de date. Acest lucru trebuie decis de cercetător, în funcție de pachetul statistic

[Corola-publishinghouse/Science/2075_a_3400]
O altă modalitate de introducere a datelor este următoarea. Pentru fiecare subiect se creează o bază de date unde cazurile (liniile) sunt reprezentate de obiecte, iar variabilele (coloanele) sunt date tot de obiecte, câte o variabilă pentru fiecare obiect. Măsura similarității dintre două obiecte va fi introdusă la intersecția dintre o linie și o coloană. Adică un obiect, reprezentat ca un caz, va lua valori pentru fiecare dintre variabile, care reprezintă și ele obiecte, valorile respective fiind măsura de similaritate acordată

[Corola-publishinghouse/Science/2075_a_3400]
Măsura similarității dintre două obiecte va fi introdusă la intersecția dintre o linie și o coloană. Adică un obiect, reprezentat ca un caz, va lua valori pentru fiecare dintre variabile, care reprezintă și ele obiecte, valorile respective fiind măsura de similaritate acordată de subiect. O astfel de bază de date se creează pentru fiecare subiect intrat în eșantion. Ele pot fi unite, fie pe verticală, păstrând variabilele și repetând cazurilepentru fiecare subiect, fie pe orizontală, păstrând cazurile și repetând setul de

[Corola-publishinghouse/Science/2075_a_3400]
reprezentării poziționării relative a obiectelor, se numește scalare multidimensională repetată sau Replicated Multidimensional Scaling (RMDS) în engleză. Diferența principală față de scalarea multidimensională simplă, cunoscută în engleză drept Classic Multidimensional Scaling (CMDS), este faptul că permite analiza mai multor matrice de similaritate simultan. Presupunerea de bază este următoarea: configurația de puncte se aplică tuturor matricelor de date cu aceeași validitate - exceptând eroarea datorată diferențelor individuale, toate matricele de date trebuie să fie aceleași. Ele sunt, fiecare, un duplicat, o copie a celorlalte

[Corola-publishinghouse/Science/2075_a_3400]
subiecți, există deci o modalitate de a introduce toată informația într-o bază de date. Analiza de scalare multidimensională pornește de la această bază de date, care, așa cum am arătat mai sus, poate fi alcătuită (1) dintr-o singură matrice de similarități, preferințe sau proximități sau (2) din mai multe matrice de similarități, câte una pentru fiecare subiect. În funcție de asumpțiile de la care pornim, vom specifica un model de scalare multidimensională simplu, RMDS sau WMDS. Un lucru esențial în scalarea multidimensională îl constituie

[Corola-publishinghouse/Science/2075_a_3400]
o bază de date. Analiza de scalare multidimensională pornește de la această bază de date, care, așa cum am arătat mai sus, poate fi alcătuită (1) dintr-o singură matrice de similarități, preferințe sau proximități sau (2) din mai multe matrice de similarități, câte una pentru fiecare subiect. În funcție de asumpțiile de la care pornim, vom specifica un model de scalare multidimensională simplu, RMDS sau WMDS. Un lucru esențial în scalarea multidimensională îl constituie alegerea obiectelor evaluate 2. Așa cum am arătat la începutul acestui capitol

[Corola-publishinghouse/Science/2075_a_3400]