Сламена къща

В продължение на темата за екологичните сламените къщи  публикувам и видео за арх. Георги Георгиев, който е изградил жива къща в махала Чифлика на село Извос край Белоградчик с двете си ръце и само с помощта на местна циганска бригада. Всички материали за къщата са от самото място на строежа й - тухлите са ръчно пресовани от глината от изкопа за къщата, гредите са рециклирани от стари разрушени къщи от селото, а върху покрива са засадени местни треви и цветя. Къщата дублира формите на местния ландшафт - странните наклонени хълмове, наречени глами. Тоалетната е архитектурно решена във вид на купа сено. Арх. Георгиев ползва за електричество и отопление само местни ресурси - слънчевата енергия за ток и сухите клони от закупената от него местна горичка за утопление през зимата.

Ето и видео за този експеримент:

Сламена къща

В продължение на темата за екологичните сламените къщи  публикувам и видео за арх. Георги Георгиев, който е изградил жива къща в махала Чифлика на село Извос край Белоградчик с двете си ръце и само с помощта на местна циганска бригада. Всички материали за къщата са от самото място на строежа й - тухлите са ръчно пресовани от глината от изкопа за къщата, гредите са рециклирани от стари разрушени къщи от селото, а върху покрива са засадени местни треви и цветя. Къщата дублира формите на местния ландшафт - странните наклонени хълмове, наречени глами. Тоалетната е архитектурно решена във вид на купа сено. Арх. Георгиев ползва за електричество и отопление само местни ресурси - слънчевата енергия за ток и сухите клони от закупената от него местна горичка за утопление през зимата.

Ето и видео за този експеримент:

Клъстърният анализ

Клъстърният анализ е група от статистически техники, предназначени за групиране на множество обекти едновременно по няколко или повече критерия в относително хомогенни малко на брой категории, наречени клъстъри.  Обектите във всеки клъстър са подобни помежду си и различни от тези в другите клъстъри. <В качеството на обекти при клъстърния анализ могат да встъпват както случаи, така и променливи.  В по-общото му приложение като обекти се използват предимно случаите.  Като знаем, те могат да бъдат индивидуални или групови потребители (например домакинствата); различни търговски или индустриални фирми; училища или болнични заведения и т.н.  Клъстърният анализ обаче има смисъл главно тогава, когато обектите са множество на брой и в желанието си да ги обхванем и разберем ние се стремим да ги класифицираме в някакви хомогенни категории.

В сегментационните изследвания, които са основният обект на клъстърния анализ в маркетинговите проучвания, се използват множество критерии за класификация.  Всички сегметационни променливи например могат успешно да бъдат използвани за тази цел.  Колкото повече променливи се използват в рамките на една класификационна процедура, толкова по-богати като съдържание клъстъри могат да бъдат получени., но същевременно и толкова по-трудно тълкуваме е „физиономията" на клъстърите.

Други приложени на клъстърния анализ извън задачите по сегментирането
Разбиране на покупателското поведение
Идентифициране на нови продуктови възможности

Определяне на класификационните критерии

↓

Избиране на мярката за дистанция

↓

Избиране на клъстърен метод

↓

Определяне броя на клъстърите

↓

Тълкуване съдържанието на клъстърите

↓

Оценяване валидността на клъстърите

↓

Профилиране на клъстърите

Определянето на класификационните критерии е задача, която трябва да се решава в строго съответствие с изследователските проблеми и цели.  Зад избора на една или друга променлива в качеството J на класификационна обикновено стоят и някакви теория, хипотеза, опит от предходни изследвания или просто изследователска интуиция.
За да групираме изследваните обекти, в случая фирмите – потребители на компютри марка Х, в еднородния клъстър, е нужно да определим мерките, които ще използваме за измерване на подобието между тях.  Най-често използван подход за решаване на тази задача е прилагането на някаква мярка за отдалеченост (дистанция) между два обекта.  Алтернативният подход е този на мерките за близост.
Нейерархични методи на клъстъризация
Нейерархичните методи на клъстъризация, често наричани клъстъризация на К-средите, включват три основни процедури.
Последователно прескачане
Паралелно прескачане
За разлика от двете посочени процедури тази на оптималното разпределение позволява прескачането на едни обект в различни клъстъри с цел удовлетворяване някакъв критерий за оптимизация (например средното вътрешноклъстърно разстояние за даден брой клъстъри).

Клъстърният анализ

Клъстърният анализ е група от статистически техники, предназначени за групиране на множество обекти едновременно по няколко или повече критерия в относително хомогенни малко на брой категории, наречени клъстъри.  Обектите във всеки клъстър са подобни помежду си и различни от тези в другите клъстъри.

В качеството на обекти при клъстърния анализ могат да встъпват както случаи, така и променливи.  В по-общото му приложение като обекти се използват предимно случаите.  Като знаем, те могат да бъдат индивидуални или групови потребители (например домакинствата); различни търговски или индустриални фирми; училища или болнични заведения и т.н.  Клъстърният анализ обаче има смисъл главно тогава, когато обектите са множество на брой и в желанието си да ги обхванем и разберем ние се стремим да ги класифицираме в някакви хомогенни категории.

В сегментационните изследвания, които са основният обект на клъстърния анализ в маркетинговите проучвания, се използват множество критерии за класификация.  Всички сегметационни променливи например могат успешно да бъдат използвани за тази цел.  Колкото повече променливи се използват в рамките на една класификационна процедура, толкова по-богати като съдържание клъстъри могат да бъдат получени., но същевременно и толкова по-трудно тълкуваме е „физиономията" на клъстърите.

Други приложени на клъстърния анализ извън задачите по сегментирането

Разбиране на покупателското поведение

Идентифициране на нови продуктови възможности

Определяне на класификационните критерии

↓

Избиране на мярката за дистанция

↓

Избиране на клъстърен метод

↓

Определяне броя на клъстърите

↓

Тълкуване съдържанието на клъстърите

↓

Оценяване валидността на клъстърите

↓

Профилиране на клъстърите

Определянето на класификационните критерии е задача, която трябва да се решава в строго съответствие с изследователските проблеми и цели.  Зад избора на една или друга променлива в качеството J на класификационна обикновено стоят и някакви теория, хипотеза, опит от предходни изследвания или просто изследователска интуиция.

За да групираме изследваните обекти, в случая фирмите – потребители на компютри марка Х, в еднородния клъстър, е нужно да определим мерките, които ще използваме за измерване на подобието между тях.  Най-често използван подход за решаване на тази задача е прилагането на някаква мярка за отдалеченост (дистанция) между два обекта.  Алтернативният подход е този на мерките за близост.

Нейерархични методи на клъстъризация

Нейерархичните методи на клъстъризация, често наричани клъстъризация на К-средите, включват три основни процедури.

Последователно прескачане

Паралелно прескачане

За разлика от двете посочени процедури тази на оптималното разпределение позволява прескачането на едни обект в различни клъстъри с цел удовлетворяване някакъв критерий за оптимизация (например средното вътрешноклъстърно разстояние за даден брой клъстъри).