Growing Neural Gas-like Networks and their Application to Data Analysis and Clustering in Marketing

• Autorzy: Reinhold Decker

Warianty tytułu

Rozwój sieci neuronowych typu gas i ich zastosowanie do analizy danych i klasyfikacji w badaniach marketingowych

• Języki publikacji: EN

Abstrakty

Artykuł przedstawia najnowsze osiągnięcia teoretyczne w obszarze sieci neuronowych typu „gas" i wskazuje, jak ta stosunkowo nowa i skuteczna klasa algorytmów może być zastosowana do analizy danych i klasyfikacji. Możliwość reprezentowania różnych struktur danych jest użyteczna w klasyfikacji, np. w segmentacji rynku. W artykule przedstawiona jest efektywność różnych algorytmów w rozpoznawaniu obrazów i klasyfikacji na przykładzie hipotetycznych oraz rzeczywistych danych marketingowych. Omawiane zastosowania obejmują typologie konsumentów, analizę koszyka rynkowego oraz kwestię brakujących danych. (abstrakt oryginalny)

Słowa kluczowe

EN

Neural networks; Data analysis; Marketing research; Data structures

PL

Sieci neuronowe; Analiza danych; Badania marketingowe; Struktury danych

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2008
• Tom: 15
• Numer: nr 7 (1207) Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 17--34

Twórcy

autor

Reinhold Decker

• Bielefed University, Germany

Bibliografia

• Allison P.D. (2001), Missing Data, Thousand Oaks, Sage University Papers Series.
• Brassington F., Pettitt S. (2005), Essentials of Marketing, Harlow, Prentice Hall.
• Carpenter J.R., Kenward M.G., Vansteelandt S. (2006), A Comparison of Multiple Imputation and Inverse Probability Weighting for Analyses with Missing Data, „Journal of the Royal Statistical Society", Series A, vol. 169, no. 3, p. 571-584.
• Cottrell M., Hammer B., Hasenfuß A., Villmann T. (2006), Batch and Median Neural Gas, „Neural Networks", vol. 19, p. 762-771.
• Decker R. (2005), Market Basket Analysis by Means of a Growing Neural Network, „International Review of Retail, Distribution and Consumer Research", vol. 15, no. 2, p. 151-169.
• Decker R. (2006), A Growing Self-organizing Neural Network for Lifestyle Segmentation, „Journal of Data Science", vol. 4, no. 2, p. 147-168.
• Decker R., Holsing C., Lerke S. (2006), Generating Normally Distributed Clusters by Means of a Self-organizing Growing Neural Network - An Application to Market Segmentation, „International Journal of Computer Science", vol. 1, no. 2, p. 138-144.
• Decker R., Monien K. (2003), Market Basket Analysis with Neural Gas Networks and Self-organizing Maps, „Journal of Targeting, Measurement and Analysis for Marketing", vol. 11, no. 4, p. 373-386.
• Estevez P.A., Figueroa C.J. (2006), Online Data Visualization Using the Neural Gas Network, „Neural Networks", vol. 19, p. 923-934.
• Fisher R.A. (1936), The Use of Multiple Measurements in Taxonomic Problems, „Annals of Eugenics", vol. 7, p. 179-188.
• Fritzke B. (1995), A Growing Neural Gas Network Learns Topologies, [in:] G. Tesauro, D.S. Touretzky, T.K. Leen (eds.), Advances in Neural Information Processing Systems 7, MIT Press, p. 625-632.
• Giudici P., Passerone G. (2002), Data Mining of Association Structures to Model Consumer Behaviour, „Computational Statistics & Data Analysis", vol. 38, p. 533-541.
• Hamerly G., Elkan C. (2003), Learning the k in k-means, Proceedings of the 17th Annual Conference on Neural Information Processing Systems - NIPS, p. 281-288.
• Hammer B., Hasenfuss A., Villmann, T. (2007), Magnification Control for Batch Neural Gas, „Neurocomputing", vol. 70, p. 1225-1234.
• Horton N.J., Lipsitz S.R. (2001), Multiple Imputation in Practice: Comparison of Software Packages for Regression Models with Missing Values, „The American Statistician", vol. 55, no. 3, p. 244-254.
• Kohonen T. (2001), Self-Organizing Maps, 3rd ed., Berlin, Springer.
• Mardia K.V. (1970), Measures of Multivariate Skewness and Kurtosis with Applications, „Biometrika", vol. 57, p. 519-530.
• Marsland S., Nehmzow U., Shapiro J. (2005), On-line Novelty Detection for Autonomous Mobile Robots, „Robotics and Autonomous Systems", vol. 51, p. 191-206.
• Marsland S., Shapiro J., Nehmzow U. (2002), A Self-Organising Network that Grows when Required, Neural Networks", vol. 15, no. 8-9, p. 1041-1058.
• Martinetz T., Schulten K. (1991), A 'Neural Gas' Network Learns Topologies, [in:] T. Kohonen, K. Maekisara, O. Simula, J. Kangas (eds.), Artificial Neural Networks, Amsterdam, North Holland, p. 397-402.
• Mild A., Reutterer T. (2003), An Improved Collaborative Filtering Approach for Predicting Cross- category Purchases Based on Binary Market Basket Data, „Journal of Retailing and Consumer Services", vol. 10, p. 123-133.
• Orlowska M.E., Sun X., Li X. (2006), Can Exclusive Clustering on Streaming Data be Achieved?, „ACM SIGKDD Explorations Newsletter", vol., 8, issue 2, p. 102-108.
• Papastefanou G., Schmidt P., Börsch-Supan A., Lüdtke H., Oltersdorf U. (eds.) (2001), Social Research with Consumer Panel-Data, Mannheim, GESIS.
• Questier F., Guo Q., Walczak B„ Massart D.L., Boucon C., de Jong S. (2002), The Neural-Gas Network for Classifying Analytical Data, „Chemometrics and Intelligent Laboratory Systems", vol. 61, no. 1-2, p. 105-121.
• Qin A.K., Suganthan P.N. (2004), Robust Growing Neural Gas Algorithm with Application in Cluster Analysis, „Neural Networks", vol. 17, p. 1135-1148.
• Rubin D.B. (2004), Multiple Imputation for Nonresponse in Surveys, Hoboken, John Wiley & Sons.
• Russell G.J., Petersen A. (2000), Analysis of Cross Category Dependence in Market Basket Selection, „Journal of Retailing", vol. 76, no. 3, p. 367-392.
• SAS (2003), Online User Manual - Release 9.1, SAS institute, Cary/NC.
• Schafer J.L. (1997), Analysis of Incomplete Multivariate Data, New York, Chapman & Hall.
• Schwager S.J. (1985), Testing for Multivariate Normality, [in:] S. Kotz, N.L. Johnson (eds.), Encyclopedia of Statistical Sciences, vol. 6, New York, Wiley, p. 122.
• Sharma S. (1996), Applied Multivariate Techniques, New York, Wiley.