Html тег em

Пример на модельных данных

На графике выше показаны иcходные данные. По оси x отложено значение одного признака (время извержения в мин.), по оси y – соответственно значение второго признака. Цвет точек означает принадлежность к тому или иному классу.

% Load the data from local directory
load 'Old Faithful.txt'
%------------------Invoke the EM-Algorithm
k=2; % set the number of classes
w = ExpMin(Old_Faithful,k,2);
%----------------Plot classified data
h = figure; hold on
idx1 = find(w.y == 1); % object indices for the 1st class
idx2 = find(w.y == 2);
plot(w.x(idx1,1), w.x(idx1,2), 'r*');
plot(w.x(idx2,1), w.x(idx2,2), 'b*');

Классы определены алгоритмом абсолютно (ошибок нет), сложность задачи — легкая, так как видно что классы линейно-разделимы и расстояние между центрами классов велико.

2) Синтетические данные (легкий случай, 3 класса)

N = 100; % 1st class contains N objects
alpha = 1.5; % 2st class contains alpha*N ones
beta = 2; % 3rd class contains beta*N ones
sig23 = 1; % assume 2nd and 3rd classes have the same variance as the 1st
dist2 = 2.5;
dist3 = 2.0;
 
N2 = floor(alpha * N); % calculate the size of the 2nd class
N3 = floor(beta * N); % calculate the size of the 2nd class
cls1X = randn(N, 2); % generate random objects of the 1st class
 
% generate a random distance from the center of the 1st class to the center
% of the 2nd and 3rd
ShiftClass2 = repmat(dist2 * sin(pi*rand)  cos(pi*rand),N2,1); 
ShiftClass3 = repmat(dist3 * sin(pi*rand)  2*cos(pi*rand),N3,1); 
% generate random objects of the 2nd class
cls2X = sig23 * randn(N2, 2) + ShiftClass2;
cls3X = sig23 * randn(N3, 2) + ShiftClass3;
% combine the objects
X = cls1X; cls2X; cls3X;
% assign class labels: 1s and 2s and 3s
y = zeros(size(cls1X,1),1)+1; zeros(size(cls2X,1),1)+2; zeros(size(cls3X,1),1)+3;
%end 
 
X; y; % note that y contains only 1s and 2s and 3s
idx1 = find(y == 1); % object indices for the 1st class
idx2 = find(y == 2);
idx3 = find(y == 3);
 
%-------------------plot sample data
 
h = figure; hold on
plot(X(idx1,1), X(idx1,2), 'r*');
plot(X(idx2,1), X(idx2,2), 'g*');
plot(X(idx3,1), X(idx3,2), 'b*');
axis tight
xlabel('x_1');
ylabel('x_2');
 
%------------------Invoke the EM-Algorithm
 
k=3; % set the number of classes
w = ExpMin(X,k,2);
 
%----------------Plot classified data
 
idx1 = find(w.y == 1); % object indices for the 1st class
idx2 = find(w.y == 2);
idx3 = find(w.y == 3);
plot(w.x(idx1,1), w.x(idx1,2), 'ro');
plot(w.x(idx2,1), w.x(idx2,2), 'go');
plot(w.x(idx3,1), w.x(idx3,2), 'bo');

В данном примере заметно небольшое взаимное проникновение классов друг в друга, что влечет к частично ошибочной классификации (метки в результате работы алгоритма EM сравниваются с известными). Аналогично предыдущему примеру по оси абсцисс значение первого признака, по оси ординат – второго. Цвет – принадлежность классу.

3) Синтетические данные (тяжелый случай, 2 класса)

N = 100; % 1st class contains N objects
alpha = 2.5; % 2st class contains alpha*N ones
sig2 = 1; % assume 2nd class has the same variance as the 1st
dist2 = 1.5;
 
N2 = floor(alpha * N); % calculate the size of the 2nd class
cls1X = randn(N, 2); % generate random objects of the 1st class
 
% generate a random distance from the center of the 1st class to the center
% of the 2nd
ShiftClass2 = repmat(dist2 * sin(pi*rand)  cos(pi*rand),N2,1); 
% generate random objects of the 2nd class
cls2X = sig2 * randn(N2, 2) + ShiftClass2;
% combine the objects
X = cls1X; cls2X;
% assign class labels: 0s and 1s
y = zeros(size(cls1X,1),1); ones(size(cls2X,1),1);
%------------------------------------------------------------end 
X; y; % note that y contains only 1s and 0s
idx1 = find(y == ); % object indices for the 1st class
idx2 = find(y == 1);
%-------------------------------plot sample data
h = figure; hold on
plot(X(idx1,1), X(idx1,2), 'r*');
plot(X(idx2,1), X(idx2,2), 'b*');
axis tight
xlabel('x_1');
ylabel('x_2');
% close(h);
 %---------------------------------------Invoke the EM-Algorithm
k=2; % set the number of classes
w = ExpMin(X,k,2);
 %------------------------------------------Plot classified data
idx1 = find(w.y == 1); % object indices for the 1st class
idx2 = find(w.y == 2);
plot(w.x(idx1,1), w.x(idx1,2), 'ro');
plot(w.x(idx2,1), w.x(idx2,2), 'bo');

Отображение исходных данных с истинными метками классов

На рисунке приведены результаты работы алгоритма на данных, изображенных на рисунке выше. Стоит заметить, что даже при сильном взаимном проникновении классов, алгоритм показывает достойный результат. Интересным является также правильная классификация нескольких точек, находящихся «глубоко» в чужом классе. На самом деле это зависит от положения центров кластеров и их формы.

1.5 Схема реализации последовательного алгоритма

Примерная схема реализации EM алгоритма с предварительной обработкой матриц ковариации:

Инициализировать веса и центры кластеров;
Инициализировать матрицы ковариации;

// Основной цикл
Пока условие остановки не выполнено
    // E-шаг
    В цикле для каждого кластера
        Вычислить определитель матрицы ковариации Sigma;
        Вычислить обратную матрицу матрице Sigma;
    В цикле для каждого объекта
        В цикле для каждого кластера
            Вычислить и запомнить p(x | mu, Sigma) для текущего объекта и кластера;
        Просуммировать вычисленные p(x | mu, Sigma);
        В цикле для каждого кластера
            Обновить скрытые переменные gamma;
    // M-шаг
    Обновить веса w;
    Обновить центры кластеров mu;
    Обновить матрицы ковариации Sigma;

Percent

Следующее значение, которое мы рассмотрим это проценты (%). Вы же помните, что браузер по умолчанию использует значение 16px? Это значит, что все относительные единицы, которые мы будем использовать в дальнейшем тоже будут преобразовываться в проценты. Но мы этого с вами не увидим, т.к. эти процессы будут проходить внутри браузера.

Значение процентов высчитывается относительно значения свойства родительского тега. Это значит, что если текст будет вложенным, то его значение будет меняться в зависимости от того тега, в который он вложен. Давайте рассмотрим это наглядно. Напишем, тег , внутри которого будет находиться тег ,и внутри которого разместим еще один

Lorem LoremLorem

Для тега добавим следующее:

p {
   font-size: 100%;
}

Если бы мы были браузерами, то высчитали значение . Далее переходим к . Стилизуем его:

p>span {
   font-size: 50%;
}

Мы увидим, что вложенный и тот , который находится внутри него, стали равнозначны значению 8px. Как мы это посчитали? Итак, font-size: 100% = 16px и если мы берем половину, то есть 50%, то половина этого значения и будет значение 8px.
Теперь давайте стилизуем еще большую вложенность:

p>span>span {
   font-size: 400%;
}

Если бы мы указали здесь значение 200%, вышло бы, что мы взяли 2 раза по 8px, складываем 8px + 8px = 16px. Если мы укажем здесь 400%, то здесь у нас станет значение в два раза больше, то есть 16px * 2 = 32px.

Поверка

методике поверки МП РТ 1740-2012 «Весы-влагомеры EM 120-HR, XM 60, XM 50. Методика поверки», утвержденной ГЦИ СИ ФБУ «Ростест-Москва» 20 апреля 2012 г.

Основное поверочное оборудование: гири классов Е2, F1 по ГОСТ OIML R 111-12009 «Государственная система обеспечения единства измерений. Гири классов E1, E2, F1, F2, M1, M1-2, M2, M2-3, M3. Часть 1. Метрологические и технические требования», соответствующие рабочим эталонам 1-го и 2-го разрядов по ГОСТ 8.021-2005 «Государственная система обеспечения единства измерений. Государственная поверочная схема для средств измерений массы».

em (вычисляемая единица)

Значения указанные в em, ведут отсчет от базового размера шрифта браузера (16px), т.е. по умолчанию 1em=16px. Для удобства использования em, базовый размер шрифта сначала сбрасывают до 10px, когда 1em=10px, а 0,1em=1px. Для сброса базового размера шрифта используйте следующее правило:

body { font-size: 62.5%; }

1
2
3

body {font-size62.5%;}

 

И учитывайте, если для какого-то блока будет указан размер шрифта, например, 1.6em, то все его потомки за базовое значение будут брать уже не 10px, а 16px(1.6em). Для удобства расчета значений размера шрифтов в em’ах можно использовать вот этот сервис.

Принято использовать для задания размеров текста и/или блоков.

Достоинства

  • Очень удобно и быстро меняются размеры всего.Если мы меняем значение элемента то каскадно поменяются все дочерние элементы.
  • Если нужно, то дочерние элементы можно переопределить как обычно, в пикселях.
  • Это очень удобно для изменения размера программно. Например, пользователь может изменить их в настройках.
  • Очень удобно, и сохраняется качество шрифта при масштабировании размеров страницы.
  • Случается так, что пользователи переопределят размер шрифты через браузер. Использование 
    позволяет посетителю видеть и использовать масштабируемый текст при любом разрешении и на любом устройстве.

Недостатки

  • Браузеры округлят не целое значение размера , что не сказывается при больших размерах, но на маленьких деталях можно увидеть неточность.
  • В случае наследование значения em тоже наследуется, это может принести не мало хлопот.
  • Конфликтует с препроцессорами(То есть,после компиляции не получиться динамически поменять значение ).
  • При использовании transform: scale() элементы перекрывают друг друга.

1.7 Информационный граф

Макроструктура алгоритма представлена на рисунке 1 (см. статьи).

На рисунке 2 представлена схема вычислений E-шага алгоритма для одного объекта: для объекта x_{i} и параметров w_{j}, \mu_{j}, \Sigma_{j}, j=1..K по формулам вычисляются ненормированные значения скрытых переменных g_{j}, нормировочный коэффициент normСoeff, и получаются итоговые значения \gamma_{i,j}.


Рисунок 2: E-шаг EM алгоритма для одного объекта

На рисунке 3 представлена схема вычислений E-шага алгоритма для всех объектов: для объекта x_{j} и параметров-векторов w, \mu, \Sigma по формулам вычисляются значения скрытых переменных. E_{i}, i=1..N — маркооперации, E-шаги для соответствующих объектов.


Рисунок 3: E-шаг EM алгоритма для всех объектов

На рисунке 4 представлена схема вычислений M-шага алгоритма для одного кластера: для объектов x_{i} и скрытых переменных \gamma_{i,j}, соответствующих степени принадлежности этих объектов кластеру j, согласно формулам шага M вычисляется нормировочный коэффициент N_{j} и параметры этого кластера: вес w_{j}^{new}, матрица ковариации \Sigma_{j}^{new} и центр кластера \mu_{j}^{new}.


Рисунок 4: M-шаг EM алгоритма для одного кластера

На рисунке 5 представлена схема вычислений M-шага алгоритма для всех кластеров. M_{j}, j=1..K соответствует макрооперации — M-шагу для соответствующего кластера и скрытых переменных.


Рисунок 5: M-шаг EM алгоритма для всех кластеров

FAQs about hotels near 73458

What are the top reviewed hotels near 73458?

Courtyard Ardmore, Holiday Inn Ardmore I 35 and Candlewood Suites are the best rated hotels based on customer reviews in the last 365 days.

What are the most high-end hotels near 73458?

Springhill Suites by Marriott Ardmore, Holiday Inn Ardmore I 35 and Courtyard Ardmore are the top 3 luxury hotels near 73458.

What are the most popular Marriott hotels near 73458?

Courtyard Ardmore and Springhill Suites by Marriott Ardmore are the best rated Marriott/Starwood branded hotels (based on customer reviews score).

What are the best Choice Hotels branded hotels near 73458?

Comfort Inn & Suites, Comfort Inn & Suites and Quality Hotel Ardmore are the best rated Choice Hotels branded hotels (based on HotelPlanner reviews score).

What are the best Best Western hotels near 73458?

Best Western Plus Ardmore Inn & Suites, Best Western Plus Sand Bass Inn & Suites and Best Western Lindsay Inn & Suites are the best rated Best Western branded hotels (based on user reviews score).

What are the best IHG hotels near 73458?

Holiday Inn Ardmore I 35, Candlewood Suites and Holiday Inn Express Hotel & Suites are the best rated Intercontinental Hotel Group (IHG) branded hotels (based on user reviews score).

Таблица соотношений px, pt, em %

Пункт, pt Пиксель, px Единица, em Процент,%
6pt 8px 0.5em 50%
7pt 9px 0.55em 55%
7.5pt 10px 0.625em 62.5%
8pt 11px 0.7em 70%
9pt 12px 0.75em 75%
10pt 13px 0.8em 80%
10.5pt 14px 0.875em 87.5%
11pt 15px 0.95em 95%
12pt 16px 1em 100%
13pt 17px 1.05em 105%
13.5pt 18px 1.125em 112.5%
14pt 19px 1.2em 120%
14.5pt 20px 1.25em 125%
15pt 21px 1.3em 130%
16pt 22px 1.4em 140%
17pt 23px 1.45em 145%
18pt 24px 1.5em 150%
20pt 26px 1.6em 160%
22pt 29px 1.8em 180%
24pt 32px 2em 200%
26pt 35px 2.2em 220%
27pt 36px 2.25em 225%
28pt 37px 2.3em 230%
29pt 38px 2.35em 235%
30pt 40px 2.45em 245%
32pt 42px 2.55em 255%
34pt 45px 2.75em 275%
36pt 48px 3em 300%

VW / VH

Теперь давайте перейдем к следующим значениям. Это единицы измерения которые относятся к размеру экрана устройства. Все те значения, которые начинаются с буквы V, имеют в себе сокращение слова с английского «viewport» (пер. на русский «область просмотра»). Итак:

  • vh = 1/100 высоты области просмотра
  • vw = 1/100 ширины области просмотра
  • vmin = 1/100 наименьших высоты или ширины области просмотра
  • vmax = 1/100 наибольших высоты или ширины области просмотра

Последние два значения, еще не так хорошо поддерживаются браузерами, поэтому будьте осторожны, если захотите использовать их на своих проектах.

Итак, если рассмотреть пример, который мы видим здесь, и начать уменьшать экран, то можно увидеть, как vw уменьшается по ширине. При этом vh зависит от высоты, поэтому его значения никак не меняются. Если менять высоту экрана, то можно увидеть, что значения в блоке vh меняются в зависимости от высоты, а vw совершенно никак не реагирует. Запись

.box-vw .text-1 {
   font-size: 2vw;
}

значит, что на экране монитора, у которого будет значение 1200px, элемент будет равен 24px. Откуда берется это значение? Это 2% от 1200px, то есть 1200px * 0.02 = 24px. При этом если взять, например, планшет, который в среднем составляет ширину 768px, то размер шрифта составит примерно 15px, то есть это 2% от 768px.
Значения и не применимы к поэтому их уже рассмотрим в следующей части, но знайте, что эти значения есть и они работают в связке с vw и vh, однако их можно использовать не всегда, а только в том случае если они необходимы. И не забывайте про поддержку этих значений.

Я надеюсь, эта статья тебе помогла разобраться с тем, для чего используется каждая единица измерения в CSS.Не забывай задавать свои вопросы по вёрстке или фронтенд разработке у профессионалов на FrontendHelp в режиме онлайн.

Атрибуты

class определяет имя используемого класса
dir определяет направление символов:

  • ltr — слева направо
  • rtl — справа налево
id уникальный идентификатор
lang определяет язык отображаемого документа
onclick щелчок на элементе
ondblclick двойной щелчок на элементе
onkeydown нажатие клавиши, когда элемент имеет фокус
onkeypress нажатие и освобождении клавиши, когда элемент имеет фокус
onkeyup освобождение ранее нажатой клавиши, когда элемент имеет фокус
onmousedown нажатие кнопки мыши, когда элемент имеет фокус
onmousemove движение указателя мыши, когда элемент имеет фокус
onmouseout смещение указателя мыши с элемента
onmouseover помещение указателя мыши на элемент
onmouseup освобождение ранее нажатой кнопки мыши, когда элемент имеет фокус
style задает встроенную таблицу стилей
title всплывающая подсказка

1.1 Общее описание алгоритма

В задачах оптимизации EM-алгоритмом называют итеративную процедуру поиска численного значения экстремума какой-либо функции. В частности, в статистике этот алгоритм используется для оценки максимального правдоподобия. Впервые название EM-алгоритм было предложено в 1977 году, однако его идеи были описаны и раньше.

EM-алгоритм применяется для решения задач двух типов :

  1. Анализ неполных данных (данных с пропусками).
  2. Оценка максимального правдоподобия в случае, если функцию правдоподобия трудно исследовать аналитически. В этом случае введение набора скрытых переменных может существенно упростить задачу.

Задача кластеризации относится к задачам второго типа. В данной статье рассматривается следующая постановка задачи кластеризации:

Дано множество из N объектов, каждый из которых представляет собой точку в M-мерном метрическом пространстве. Каждому измерению пространства соответствует некоторое свойство объекта. Необходимо разбить это множество на K подмножеств (кластеров) так, чтобы, чтобы элементы каждого подмножества существенно отличались по свойствам от элементов других подмножеств.

Использование алгоритма EM подразумевает следующее предположение об объектах:

Пусть объекты, которые необходимо разбить на кластеры, появляются случайным образом и независимо друг от друга согласно вероятностному распределению, равному смеси (линейной комбинации) распределений кластеров. В данной статье в дальнейшем будет считаться, что распределение каждого кластера является многомерным нормальным распределением с произвольной матрицей ковариации — наиболее часто используемое предположение.

Тогда каждый объект принадлежит каждому кластеру, но с разной вероятностью. EM-алгоритм итеративно оценивает параметры распределений кластеров, максимизируя логарифмическую функцию максимального правдоподобия. После окончания работы алгоритма объект будет отнесен к кластеру, вероятность принадлежности которому максимальна. Вводимый набор скрытых переменных для каждого объекта — вероятности того, что объект принадлежит каждому из кластеров.

Итерация алгоритма состоит из двух последовательных шагов.

  1. (Expectation) Вычисляются новые ожидаемые значения скрытых переменных.
  2. (Maximization) Решается задача максимизации правдоподобия: По текущим значениям скрытых переменных обновляются параметры распределений для кластеров: математическое ожидание, дисперсия и вероятность появления объектов из кластера.

HTML 4.01

HTML теги

  • /a>
  • a
  • abbr
  • acronym
  • address
  • applet
  • area
  • b
  • base
  • basefont
  • bdo
  • bgsound
  • big
  • blink
  • blockquote
  • body
  • br
  • button
  • caption
  • center
  • cite
  • code
  • col
  • colgroup
  • comment
  • dd
  • del
  • dfn
  • dir
  • div
  • dl
  • dt
  • em
  • embed
  • fieldset
  • font
  • form
  • frame
  • frameset
  • h1-h6
  • head
  • hr
  • html
  • i
  • iframe
  • ilayer
  • img
  • input
  • ins
  • isindex
  • kbd
  • label
  • layer
  • legend
  • li
  • link
  • listing
  • map
  • marquee
  • menu
  • meta
  • multicol
  • nobr
  • noembed
  • noframes
  • noindex
  • noscript
  • object
  • ol
  • optgroup
  • option
  • p
  • param
  • plaintext
  • pre
  • q
  • s
  • samp
  • script
  • select
  • small
  • sound
  • spacer
  • span
  • strike
  • strong
  • style
  • sub
  • sup
  • table
  • tbody
  • td
  • textarea
  • tfoot
  • th
  • thead
  • title
  • tr
  • tt
  • u
  • ul
  • var
  • wbr
  • xmp

атрибуты HTML

  • abbr
  • above
  • accept
  • accept-charset
  • accesskey
  • action
  • align
  • alink
  • allowtransparency
  • alt
  • archive
  • autocomplete
  • axis
  • background
  • bgcolor
  • bgproperties
  • border
  • bordercolor
  • cellpadding
  • cellspacing
  • char
  • charoff
  • charset
  • checked
  • cite
  • class
  • classid
  • clear
  • code
  • codebase
  • codetype
  • color
  • cols
  • colspan
  • compact
  • content
  • coords
  • data
  • datetime
  • declare
  • defer
  • dir
  • disabled
  • enctype
  • face
  • for
  • frame
  • frameborder
  • galleryimg
  • headers
  • height
  • href
  • hreflang
  • hspace
  • http-equiv
  • id
  • ismap
  • label
  • lang
  • language
  • link
  • longdesc
  • loop
  • marginheight
  • marginwidth
  • maxlength
  • media
  • method
  • multiple
  • name
  • nohref
  • noresize
  • noshade
  • nowrap
  • object
  • profile
  • prompt
  • readonly
  • rel
  • rev
  • rows
  • rowspan
  • rules
  • scheme
  • scope
  • scrolling
  • selected
  • shape
  • size
  • span
  • src
  • standby
  • start
  • style
  • summary
  • tabindex
  • target
  • text
  • title
  • type
  • usemap
  • valign
  • value
  • valuetype
  • version
  • vlink
  • vspace
  • width
  • xmlns

Описание

Принцип действия весов, встроенных в весы-влагомеры, основан на компенсации силы тяжести, возникающей под действием взвешиваемого объекта, электромагнитной силой, создаваемой системой автоматического уравновешивания. Возникающий электрический сигнал поступает в блок управления, где преобразуется в цифровой сигнал. Результаты измерений выводятся на дисплей весов-влагомеров.

Принцип действия влагомеров, встроенных в весы-влагомеры, основан на высушивании образца (объекта измерений) нагревательным элементом по заданному режиму и измерении отношения массы воды, содержавшейся (испарившейся) в образце, к его общей массе.

Конструктивно весы-влагомеры выполнены в едином корпусе и состоят из встроенных аналитических весов, нагревательного элемента (галогенного, инфракрасного или темнового), расположенного в крышке весов-влагомеров, блока управления и показывающего устройства, выполненного в виде жидкокристаллического графического дисплея с подсветкой. Передняя панель весов-влагомеров оснащена кнопками управления. На корпусе весов-влагомеров расположено устройство установки по уровню. Общий вид весов-влагомеров представлен на рисунке 1.

Весы-влагомеры непрерывно нагревают образец и измеряют его массу, а на дисплее отображается масса образца, изменяющаяся при испарении влаги, и количество испаренной влаги. Данные о массе образца до и после его нагрева поступают в блок управления, где происходит их преобразование, математическая обработка и вычисление влажности (массовой доли воды) образца. Полученные результаты измерений и вычислений с другими статистическими данными выводятся на дисплей и могут отображаться на мониторе компьютера.

Основные особенности весов-влагомеров:

—    память для 100 методов измерений, со всеми настройками параметров сушки;

—    три режима сушки: стандартный, быстрый, плавный;

—    условия анализа образца (режим нагрева, температура и продолжительность сушки) устанавливаются оператором;

—    отображение полученных результатов в различных единицах измерения: содержание влаги в образце и масса сухого остатка могут отображаться в г, г/кг, % или специальных единицах ATRO (при работе с древесиной);

—    имеется возможность переключения действительной цены деления с 0,1 мг на 1 мг, при этом дискретность отсчета влажности увеличивается до 0,01 %;

—    автоматическая калибровка весов встроенной калибровочной гирей;

—    внешняя калибровка весов и температуры;

—    многоступенчатая защита параметров настройки и результатов измерений от несанкционированного изменения;

—    защита весов-влагомеров от кражи с помощью кодового замка;

—    автоматическая регистрация окончания измерения с помощью функции ADAPTSTOP;

—    вывод результатов измерений на дисплей в соответствии со стандартами GLP;

—    обновление программного обеспечения через Интернет;

—    возможность подключения интерфейса RS232 для соединения с принтером, компьютером и другими внешними устройствами.

Дополнительно в комплект поставки могут входить: стальные многоразовые и алюминиевые чашки для образца, стекловолоконный фильтр, калибровочный груз 50 г, датчик температуры типа К, комплект для калибровки температуры, принтер с кабелем и бумажным рулоном, кабель передачи данных DB9.

2.4 Масштабируемость алгоритма и его реализации

Многие статьи, в которых представлены параллельные реализации EM алгоритма, описывают помимо использующихся программных и аппаратных решений результаты проведенных экспериментов с данными. В качестве примера в этом разделе будут рассмотрены результаты эксперементов, проведенных со связующим программным обеспечением (middleware) FREERIDE (FRamework for Rapid Implementation of Datamining Engines), обеспечивающим возможность распараллеливания как для систем с общей памятью (в частности, симметричных мультипроцессорных систем), так и для систем с распределенной памятью.

Эксперименты проводились на кластере машин Pentium 700MHz связанных при помощи Myrinet LANai 7.0 на трех наборах данных:

а) 3.3 * 10^6 объектов

b) 6.2 * 10^6 объектов

c) 12.5 * 10^6 объектов

Объекты представляют собой координаты точек 10-мерного пространства.

Количество машин в кластере варьировалось от 1 до 8, при этом на каждой машине запускалось до четырех параллельных потоков.

Результаты экспериментов представлены на рисунках 7-9:


Рисунок 7: набор данных a)


Рисунок 8: набор данных b)


Рисунок 9: набор данных c)

Несмотря на то, что используемые в данном исследовании машины, как и коммуникационная среда, сейчас не используются и считаются устаревшими, результат приведенных экспериментов наглядно показывает, что EM алгоритм хорошо параллелится, зависимость ускорения от числа узлов в кластере с небольшим количеством узлов близка к линейной, а также, что скорость работы алгоритма линейно зависит от числа объектов.

Данный раздел может быть дополнен

Литература

  • К. В. Воронцов, Лекции по статистическим (байесовским) алгоритмам классификации
  • C.M. Bishop, «Pattern Recognition and Machine Learning»
  • Jordan M. I., Xu L. Convergence results for the EM algorithm to mixtures of experts architectures: Tech. Rep. A.I. Memo No. 1458: MIT, Cambridge, MA, 1993.
  • Шлезингер М., Главач В. Десять лекций по статистическому и структурному распознаванию. — Киев: Наукова думка, 2004. ISBN 966-00-0341-2
Данная статья была создана в рамках учебного задания.

Студент: Никита Спирин
Преподаватель: В.В.Стрижов
Срок: 28 мая 2009

В настоящее время задание завершено и проверено.
Данная страница может свободно правиться другими участниками проекта MachineLearning.ru.

См. также методические указания по использованию Ресурса MachineLearning.ru в учебном процессе.

Ссылка на основную публикацию