The 9 reference contexts in paper K. Leontiev A., S. Panin D., Yu. Kholodniy I., К. Леонтьев А., С. Панин Д., Ю. Холодный И. (2016) “Оценка результатов тестирования на полиграфе методами регрессионного анализа // Polygraph Test Results Assessment by Regression Analysis Methods” / spz:neicon:technomag:y:2014:i:0:p:230-243

  1. Start
    2267
    Prefix
    Классификация стимулов по значимости для исследуемого человека на основе оценки динамики его физиологического реагирования может рассматриваться как «1» или «0» - т.е. «значимый» или «незначимый». На практике эксперты часто делают чисто качественную оценку показателей реакций человека при классификации стимулов, что является проявлением субъективизма
    Exact
    [1, 2]
    Suffix
    . Достоверное решение проблем классификации требует реализации математического аппарата для принятия решений, и существуют различные подходы как к методам классификации, так и к числовой оценке полиграмм.
    (check this in PDF content)

  2. Start
    3257
    Prefix
    Метрическая оценка, когда, осуществив замеры реакций в каких-то единицах измерений (например, миллиметрах или пикселях), полиграфолог применяет в ходе дальнейших расчетов методы математической статистики
    Exact
    [1]
    Suffix
    . В данной работе использована метрическая оценка полиграмм и классификация их результатов с помощью алгоритма бинарной логистической регрессии [8] по следующим соображениям:  числовые статистические данные в нормированном виде обеспечивает метрическая оценка полиграмм;  логистическая кривая имеет две асимптоты и обеспечивает достоверное разделение на два класса при небольших затратах вре
    (check this in PDF content)

  3. Start
    3403
    Prefix
    Метрическая оценка, когда, осуществив замеры реакций в каких-то единицах измерений (например, миллиметрах или пикселях), полиграфолог применяет в ходе дальнейших расчетов методы математической статистики [1]. В данной работе использована метрическая оценка полиграмм и классификация их результатов с помощью алгоритма бинарной логистической регрессии
    Exact
    [8]
    Suffix
    по следующим соображениям:  числовые статистические данные в нормированном виде обеспечивает метрическая оценка полиграмм;  логистическая кривая имеет две асимптоты и обеспечивает достоверное разделение на два класса при небольших затратах времени на вычисления.
    (check this in PDF content)

  4. Start
    3878
    Prefix
    Этот алгоритм применяют в задачах классификации в социологии, экономике и в технических науках. Кроме приемлемого качества классификации, алгоритм позволяет оценить вероятности попадания объектов в классы
    Exact
    [13]
    Suffix
    . В качестве начальных данных используется вектор выходных признаков объекта (метрически измеренные показатели реакций), преобразованный к стандартизованному виду , по ним вычисляют коэффициенты линейной регрессии, а затем уже по логистической кривой происходит классификация.
    (check this in PDF content)

  5. Start
    4860
    Prefix
    будет следующей: (2) Здесь вектор оценок параметров регрессии ; его получают обработкой значений признаков объекта, приведенных к стандартизованному виду. Значения оценок коэффициентов вычисляют различными способами, например, методом максимального правдоподобия
    Exact
    [5]
    Suffix
    по результатам экспериментов на полиграфе. Происходит обучение на конкретных опытных данных. Качество классификации было проверено с помощью ROC-анализа (Receiver Operator Characteristics или функциональные характеристики приемника).
    (check this in PDF content)

  6. Start
    5532
    Prefix
    часто используют формулу: , (3) где N – минимальное число наблюдений, K – число предикторов (независимых переменных) и d – меньшее относительное значение положительных или отрицательных исходов. Для теста формата «5 предъявлений по 5 стимулов с выделенными 4 информативными признаками» получаем достаточный объем выборки в 200 наблюдений, или 8 контрольных тестов
    Exact
    [6]
    Suffix
    . При этом, если вычисленное N < 100 следует дополнить выборку до 100 элементов [7]. 1. Пример классификации стимулов по результатам исследований на полиграфе С первичными метрическими результатами, полученными при опросе на полиграфе, сначала необходимо провести процедуру стандартизации и перевода данных в Z-оценки, а также проверить нормальность распределения полученных данных.
    (check this in PDF content)

  7. Start
    5613
    Prefix
    Для теста формата «5 предъявлений по 5 стимулов с выделенными 4 информативными признаками» получаем достаточный объем выборки в 200 наблюдений, или 8 контрольных тестов [6]. При этом, если вычисленное N < 100 следует дополнить выборку до 100 элементов
    Exact
    [7]
    Suffix
    . 1. Пример классификации стимулов по результатам исследований на полиграфе С первичными метрическими результатами, полученными при опросе на полиграфе, сначала необходимо провести процедуру стандартизации и перевода данных в Z-оценки, а также проверить нормальность распределения полученных данных.
    (check this in PDF content)

  8. Start
    6139
    Prefix
    Под Z-оценками будем понимать первичные данные, выраженные в стандартных отклонениях наблюдаемых величин. О процессе выбора информативных признаков и снятия первичных данных описано в открытой литературе, например
    Exact
    [2]
    Suffix
    . Проверка гипотезы о нормальности выборки можно выполнить с помощью теста Харке-Бера в среде MATLAB, и некоторые результаты такого подхода для разных информативных признаков приведены ниже. Для примера были выбраны 4 параметра физиологических реакций, снятых с каналов кожно-гальванического рефлекса (КГР), сердечно-сосудистой системы (ССС) и канала дыхания (Д):  Амплитуда КГР
    (check this in PDF content)

  9. Start
    10526
    Prefix
    Оценка качества эффективности модели В регрессионном анализе для оценки эффективности модели принято пользоваться коэффициентом детерминации (коэффициентом множественной корреляции), показывающим долю объясненной дисперсии зависимой переменной с помощью рассматриваемой модели. Но в работе
    Exact
    [9]
    Suffix
    указано, что настоящая мера точности подгонки модели базируется исключительно на сравнении между наблюдаемыми и предсказанными значениями. Тогда имеет смысл оценить эффективность модели, и тем самым, качество классификации.
    (check this in PDF content)