Investigation of the Efficiency of a Novel Algorithm for the Choice of Variables in Cluster Analysis on Real World Data Sets

• Autorzy: Jerzy Korzeniewski

Warianty tytułu

Badanie efektywności nowego algorytmu do wyboru zmiennych w analizie skupień na zbiorach dawnych ze świata realnego

• Języki publikacji: EN

Abstrakty

EN

In the paper, we investigate the efficiency of an Author-proposed algorithm for the choice of variables in cluster analysis on real world data sets. The assessment of this algorithm on synthetic data sets in the form of the mixtures of normal distributions was the subject of other paper - the algorithm turned out to be well working. The idea of the algorithm is to pick up as true these variables whose variance does not get so small as the variance of masking variables in the one-step mean shift procedure of data set observations. (original abstract)

W artykule badana jest efektywność algorytmu do wyboru zmiennych w analizie skupień zaproponowanego przez Autora na zbiorach danych ze świata realnego. Ocena tego algorytmu na syntetycznych zbiorach danych w postaci mieszanin rozkładów normalnych była przedmiotem innego badania - algorytm spisał się dobrze. Ideą algorytmu jest wybieranie jako istotnych tych zmiennych, których wariancja nie zmniejsza się tak bardzo jak wariancja zmiennych maskujących po zastosowaniu jednego kroku procedury średniego przesunięcia do wszystkich obserwacji zbioru danych. (abstrakt oryginalny)

Słowa kluczowe

EN

Research efficiency; Algorithms; Algorithmic effectiveness; Cluster analysis; Statistical methods

PL

Badanie efektywności; Algorytmy; Efektywność algorytmów; Analiza skupień; Metody statystyczne

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2010
• Tom: 235 Multivariate Statistical Analysis
• Strony: 149--156

Twórcy

autor

Jerzy Korzeniewski

• University of Lodz, Poland

Bibliografia

• Atkinson A., Riani M. (2004), Cerioli A., Exploring Multivariate Data with the Forward Search, Springer-Verlag.
• Carmone F. J. Jr., Kara Ali , Maxwell S. (1999), HINoV: A New Model to Improve Market Segment Definition by Identifying Noisy Variables, Journal of Marketing Research, Vol. 36, No. 4.
• Dash M, Liu H., (2000) Feature selection for clustering, Proceedings of Fourth Pacific-Asia Conference on Knowledge Discovery and Data Mining, (PAKDD).
• Kaufman L., Rousseeuw P. J., Finding Groups in Data: an Introduction to Cluster Analysis, John Wiley&Sons, 1990.
• Korzeniewski J. (2009), A novel technique of variable choice and weighting in cluster analysis, paper at IFCS Drezno 2009.
• Steinley D., Brusco M. (2008), Selection of variables in cluster analysis: an empirical comparison of eight procedures, Psychometrika Vol. 73.

Identyfikatory

DOI

11089/347