Symulacyjna analiza wpływu wyboru kryterium optymalności podziału obiektów na jakość uzyskanej klasyfikacji w algorytmach K-średnich

• Autorzy: Krzysztof Najman

Warianty tytułu

The Influence Analysis of Selection of the Optimum Partitioning Objects Criterion for K-Means Algorithms

• Języki publikacji: PL

Abstrakty

Celem prezentowanych badań jest analiza wpływu wyboru kryterium grupowania na jakość uzyskanej klasyfikacji. Ocenie zostanie poddane 8 kryteriów. Oceniany będzie też wpływ 4 różnych metod początkowego ustalenia centrów skupień, łącznie z różnym uporządkowaniami obiektów w zbiorach, na jakość uzyskanej klasyfikacji. (fragment tekstu)

EN

The paper presents the modification of partitioning means algorithm. There are proposed the application of a nonclassical indices as the inner optimal criterion of the partitioning the objects: index Davies-Bouldin, index Calinski-Harabasz, index Hartigan, trace(W^_1B) and det(T)/det(W). On the basis of simulation research critical opinions of quality of partitions that are obtained are maid. There are presented weak and strong points of modified k-maens algorithm. The results are compared with the classical Thorndike's and McQueen's algorithms. (original abstract)

Słowa kluczowe

PL

Analiza symulacyjna; Metoda k-średnich; Analiza skupień; Algorytmy

EN

Simulation analysis; K-means methods; Cluster analysis; Algorithms

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2008
• Tom: 15
• Numer: nr 7 (1207) Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 295--304

Twórcy

autor

Krzysztof Najman

• Uniwersytet Gdański

Bibliografia

• Anderberg M.R. (1973), Cluster Analysis for Applications, Academic Press.
• Ball G., Hall D.J. (1965), ISODATA, A Novel Method of Data Analysis and Pattern Classification, Stanford Research Institute, Menlo Park.
• Dagnelie P. (1975), Analyse statistique à plusieres variables, Les Presse Agronomique, Gambloux.
• Edwards A.W.F., Cavalli-Sforza L. (1965),A Method for Clustering Analysis, „Biometrics", 21, s. 362-375.
• Gordon A.D. (1981), Classification. Methods for the Exploratory Analysis of Multivariate Data, Chapman and Hall, London.
• Gordon A.D. (1999) Classification, Chapman & Hall/CRC.
• Milligan G.W., Cooper M.C. (1985), An Examination of Procedures for Determining the Number of Clusters in Data Set, „Psychometrika", 50(2), s. 159-179.
• Milligan G.W. (1980), An Examination of the Effect of Six Types of Error Perturbation on Fifteen Clustering Algorithms, „Psychometrika", 45, s. 325-342.
• Najman K., Najman K. (2005), Analityczne metody ustalania liczby skupień, [w:] Taksonomia 12, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1076, AE, Wrocław, s. 265-273.
• Najman K., Najman K. (2006), Analityczne metody ustalania liczby skupień w rozmytych zbiorach danych, [w:] Taksonomia 13, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1126, AE, Wrocław, s. 159-167.
• Najman K. (2007), Metody ustalania liczby skupień w binarnych zbiorach danych, [w:] Taksonomia 14, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1169, AE, Wrocław, s. 321-329.
• Thorndike R.L. (1953),)^7zo Belongs in the Family?, „Psychometrika", vol. 18.