Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
36 Multidimensional Scal<strong>in</strong>g<br />
hang s<strong>in</strong>d Stress und SStress, die def<strong>in</strong>iert s<strong>in</strong>d durch<br />
Stress(Y) =<br />
SStress(Y) =<br />
N∑ N∑<br />
w ij (δ ij − d ij (Y)) 2 , (4.29)<br />
i=1<br />
N∑<br />
j=1<br />
i=1 j=1<br />
N∑<br />
w ij (δij 2 − d 2 ij(Y)) 2 . (4.30)<br />
Durch die Wahl <strong>der</strong> Koeffizienten w ij kann e<strong>in</strong>e unterschiedliche Gewichtung<br />
<strong>der</strong> e<strong>in</strong>zelnen Terme erreicht werden. Außerdem kann so das Fehlen e<strong>in</strong>zelner<br />
Unähnlichkeiten berücksichtigt werden, <strong>in</strong>dem <strong>der</strong> entsprechende Koeffizient<br />
auf Null gesetzt wird. Werden alle w ij = 1 gesetzt, dann entspricht SStress<br />
dem Stra<strong>in</strong> ohne doppelte Zentrierung. Für die Lösung dieses Problems ist<br />
ke<strong>in</strong>e explizite analytische Lösung wie beim klassischen MDS bekannt ([21]).<br />
Des Weiteren kann es sehr s<strong>in</strong>nvoll se<strong>in</strong>, die gesuchte Konfiguration Y nicht<br />
als E<strong>in</strong>bettung <strong>in</strong> e<strong>in</strong>en euklidischen Raum zu bestimmen, son<strong>der</strong>n diesem<br />
Raum e<strong>in</strong>e an<strong>der</strong>e Metrik zugrunde zu legen, z.B. e<strong>in</strong>e durch die M<strong>in</strong>kowski<br />
l p -Norm ‖ · ‖ p <strong>in</strong>duzierte, die für p ≥ 1 def<strong>in</strong>iert ist durch<br />
d (p)<br />
ij (Y) = ‖y i − y j ‖ p =<br />
( k∑<br />
l=1<br />
|y il − y jl | p ) 1/p<br />
. (4.31)<br />
Genaueres zu den metrischen MDS-Verfahren wie auch Algorithmen zur<br />
M<strong>in</strong>imierung von (4.29) bzw. (4.30) f<strong>in</strong>det man <strong>in</strong> [3], [19] und [21].<br />
4.2 Nichtmetrisches MDS<br />
Beim metrischen MDS wird immer davon ausgegangen, dass den (experimentell<br />
bestimmten) Unähnlichkeiten p ij eventuell nach e<strong>in</strong>er geeigneten Transformation<br />
f(p ij ) zum<strong>in</strong>dest approximativ e<strong>in</strong> räumliches Modell zugrunde<br />
liegt, d.h. dass e<strong>in</strong>e Konfiguration Y von Punkten <strong>in</strong> e<strong>in</strong>em (euklidischen)<br />
Raum existiert, die die transformierten Unähnlichkeiten durch Abstände zwischen<br />
den Punkten repräsentiert [21]. Diese For<strong>der</strong>ung ist allerd<strong>in</strong>gs für e<strong>in</strong>ige<br />
Fälle zu restriktiv. In psychologischen Untersuchungen, wo die Probanden<br />
z.B. Ähnlichkeiten o<strong>der</strong> Unähnlichkeiten zwischen Objekten beurteilen sollen,<br />
liegen oft nur Aussagen <strong>der</strong> Form ”<br />
Objekt i ist dem Objekt k unähnlicher<br />
als Objekt j dem Objekt k“ vor. Man hat also nur Relationen wie p ik > p jk .