Database Reference
In-Depth Information
sim H ( x , y )= i=1 w i (1 −|x i − y i |)
i=1 w i
i=1 w i i=1 w i |
x i
y i |
i=1 w i
=
i=1 w i |
x i
y i |
=1
i=1 w i
i : x i =y i w i
=1−
i=1 w i
(6.4)
Wir wollen dies am Kino-Beispiel ausprobieren.
Beispiel 6.13 (Kino 2) Die Attribute Gruppe und Wetter hatten sich beim Ent-
scheidungsbaumlernen als sehr aussagekraftig herausgestellt, wahrend die Aspekte
Reservierung und Preis sehr wenig Einfluss auf die Entscheidung “Kino-Besuch -
ja oder nein?” hatten. Durch eine entsprechende Gewichtung fließen diese Uberle-
gungen in die folgende Ahnlichkeitsbemessung mit ein, wobei zwischen den ubrigen
Merkmalen nicht mehr weiter differenziert wird:
Merkmal
w i
Merkmal
w i
Gruppe
1
Wetter
1
Attraktivitat
0.5
Besetzung
0.5
Loge
0.5
Kategorie
0.5
Warten
0.5
Land
0.5
Preis
0
Reservierung
0
Die Summe aller Gewichte errechnet sich zu 10
i=1
w i = 5. Damit ist
1
5 (0.5+0.5+1+1)
sim H ( x 1 , y )=1
=1
0.6
=0.4
Selbsttestaufgabe 6.14 ( Ahnlichkeit) Berechnen Sie auf der Basis des Ahn-
lichkeitsmaßes (6.3) bzw. (6.4) nun erneut die Ahnlichkeitswerte im Kino-Beispiel.
Welcher Fall bzw. welche Falle wurden nun als ahnlichste(r) selektiert?
Verallgemeinerte Ahnlichkeiten
6.8.3
Die gewichtete Hamming- Ahnlichkeit (6.3) lasst sich nun leicht verallgemeinern, um
die Ahnlichkeit nicht nur binarer Merkmale, sondern von Merkmalen mit beliebigen
Attributwerten beurteilen zu konnen. Ein Ahnlichkeitsmaß der Form (6.1) kann
allgemein realisiert werden in der Form
Search WWH ::




Custom Search