PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2013 | 285 Multivariate Statistical Analysis Theory and Practice | 97--103
Tytuł artykułu

Comparison of Accuracy of Spectral Clustering and Cluster Ensembles Based on Co-Occurrence Matrix

Autorzy
Warianty tytułu
Porównanie dokładności taksonomii spektralnej oraz zagregowanych algorytmów taksonomicznych opartych na macierzy współ wystąpień
Języki publikacji
EN
Abstrakty
Stosując metody taksonomiczne w jakimkolwiek zagadnieniu klasyfikacji ważną kwestią jest zapewnienie wysokiej poprawności wyników grupowania. Od niej bowiem zależeć będzie skuteczność wszelkich decyzji podjętych na tej podstawie. Stąd też w literaturze wciąż proponowane są nowe rozwiązania, które mają przynieść poprawę dokładności grupowania w stosunku do tradycyjnych metod. Przykładem mogą tu być metody polegające na zastosowaniu podejścia zagregowanego oraz algorytmy spektralne. Głównym celem tego artykułu jest porównanie dokładności zagregowanych i spektralnych algorytmów taksonomicznych. W badaniach pod uwagę wzięta zostanie tylko specyficzna klasa metod agregacji, która oparta jest na macierzy współwystąpień (Fred, Jain 2002). Natomiast jako algorytm spektralny zastosowana będzie metoda zaproponowana przez Ng i in. (2001). (abstrakt oryginalny)
EN
High accuracy of the results is very important task in any grouping problem (clustering). It determines effectiveness of the decisions based on them. Therefore in the literature there are proposed methods and solutions that main aim is to give more accurate results than traditional clustering algorithms (e.g. £-means or hierarchical methods). Examples of such solutions can be cluster ensembles or spectral clustering algorithms. Here, we carry out an experimental study to compare accuracy of spectral clustering and cluster ensembles. (original abstract)
Twórcy
  • The Karol Adamiecki University of Economics in Katowice, Poland
Bibliografia
  • Fred A. (2002), Finding consistent clusters in data partitions, in Roli F., Kittler J., editors, Proceedings of the International Workshop on Multiple Classifier Systems, pages: 309 - 318.
  • Fred A., Jain A. K. (2002), Data clustering using evidence accumulation, Proceedings of the Sixteenth International Conference on Pattern Recognition, pages 276-280.
  • Kannan R., Vempala S., Vetta A. (2004), On clustering - good, bad and spectral, Journal of the ACM, Vol. 51, No.3, pages 497-515.
  • Ng A. Y., Jordan M. I., Weiss Y. (2001), On spectral clustering: Analysis and an algorithm, Advances in Neural Information Processing Systems, pages 849-856.
  • Pękalska E., Duin R. P. W. (2000), Classifiers for dissimilarity-based pattern recognition, in Sanfeliu A., Villanueva J. J, Vanrell M., Alquezar R., Jain A. K. and Kittler J., editors, Proceedings of the Fifteenth International Conference on Pattern Recognition, pages 12-16, IEEE Computer Society Press, Los Alamitos.
  • Shi J., Malik J. (2000), Normalized cuts and image segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 22, No. 8, 888-905, (http://www-2.cs.cmu.edu/ >>jshi/Grouping/)
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171257279

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.