Григорьева Анна ЖМК-201

1. Первый текст был о минусах в моделинге.  Программа Vaal отобразила результат, в котором текст является страшным на 145 единиц. Я согласна с данным результатом, потому что там рассказывали о трагедиях, связанные с девушками, которые приезжали в другие страны для работы и после прочтения есть ощущения тревоги. Также текст распознали грубым на 135.9 единиц, с чем я тоже согласна, потому что были прикреплены переписки с общением в грубой форме.   2. Второй текст также был о проблемах в моделинге. Почему-то большая часть статей представили сферу в негативном ключе. Текст программа проанализировала на 251 единиц страшным, на 213 единиц злым и на 238 единиц грубым. С чем я тоже согласная, впечатления после прочтения неприятные. 3. Третий текст был об успехе модели. Она рассказывала в интервью о ситуациях, с которыми она сталкивалась и как она выходила из этих ситуаций, также были советы для других девушек. Анализ показал текст на 349 единиц страшным, 290 единиц злым и 332 еди...

  Для анализа я взяла статистику рождаемости и смертности по годом в РФ Статистику брала из википедии.  моя таблица: Результаты:  Linear Projection Data Table Scater Plot  Interactive k-Mean Polynomial Regression Вывод: анализируемые группы данных связаны общей темой, но сутью (рождаемость и смертность) не связаны. Наиболее эффективной моделью, я считаю, является  Linear Projection и  Polynomial Regression. Возможно программа дала ошибку, но все же, данные удобно расположены и можно понять их зависимость. Изменения видны  

  Для анализа я взяла файл по  авиаперевозкам (airtraffic) Результаты:  Network Explorer Correlations MDS 1) Наиболее важная связь между Hud и Nonhub. Доминирующий тип контента Hud. 2) Центральный элемент - Hub, голубые вкрапления в центре. 3) Наиболее удобным компонентом для меня является MDS. В данном случае у меня всего 2 компонента и доминирующий тип контента я смогла определить только по нему. Возможно, было бы у меня больше данных, мнение изменилось.  По  Correlations слишком много данных и в названиях можно запутаться.  Network Explorer приятен для восприятия, но цветовые пятна могут запутать и дать неверный результат по анализу, только если голубые вкрапления намекнули на результат по центральному элементу. 

Для анализа я взяла фото с прошлого задания. Тема: природа  1) Точного разделения нет.  Hierarchical Clustering разделил всего лишь на 2 группы, возможно из-за того, что в каких-то фотографиях преобладают море, озера и тд, а в других просто поля.  Image Grid - выделил только 1 более менее группу внизу, из-за похожих цветов или ракурса.  t-SNE - разделил фотографии на 2 группы, но не совсем ясны критерии, потому что некоторые цветовые элементы есть в двух группах.  Модель  Hierarchical Clustering - более точно разделила фотографии на группы по простому критерию.  2) Для анализа я взяла фотографии связанные с природой  Фотографии разделились на такие группы, потому что в некоторых из них преобладают некоторые цвета (синий, зеленый), из-за разных ракурсов возможно не определились в какие-то группы. С такой логикой разделения я согласна. 

  Для анализа я взяла фотографии природы. На мой взгляд,   Image Grid более наглядная чем MDS-модель, так как показывает сами изображения, что позволяет лучше распределить их в группы. Хоть это и выглядит визуально приятней, не до конца понятно, почему те или иные фотографии природы не вошли в группу. Возможно критерии выбора были такие: красочность, время суток, ракурс. Я по большей части согласна с разделением, за исключением 2 фотографий: моря (ракурс сверху), которое можно было добавить к группе ниже и фото с полем и горой, которое можно было бы отнести к группе ниже. 

  1. Я использовала 10 текстов, тема: природа. Каждый текст раскрывал различные аспекты русской культуры, включая кухню, литературу, архитектуру и т.д. 2. Мои тексты разделились на три группы. В первую группу вошли 6 текстов, наиболее приближенные друг к другу по своей теме  Во второй группе оказался только 2 текста, в которых было наименьшее количество необходимых ключевых слов. Остальные текста не вошли ни в какие параметры.    Такое разделение обусловлено наличием ключевых слов, повторяющихся в нескольких текстах. 3. При изменении уровня кластеризации, число групп менялось. При перемещении разделителя в левую сторону, групп становилось меньше (минимальное количество - 2 группы), а при перемещении в правую сторону - больше (максимальное - 8 групп).