Zastosowanie jednowymiarowej sieci SOM do wyboru cech zmiennych w grupowaniu dynamicznym

• Autorzy: Kamila Migdał-Najman

Warianty tytułu

Applying the One-Dimensional SOM Network to Select Variables in Dynamic Clustering

• Języki publikacji: PL

Abstrakty

W artykule zaproponowano oryginalną procedurę wyboru cech w grupowaniu dynamicznym. Jako algorytm grupowania dynamicznego wykorzystano samouczącą się sieć neuronową typu GNG. Aby przyspieszyć i polepszyć wyniki grupowania, redukowano liczbę zmiennych, korzystając z sieci SOM. W eksperymencie symulacyjnym wykazano skuteczność takiego rozwiązania. W efekcie uzyskano znaczące przyspieszenie procesu grupowania dynamicznego bez utraty jakości grupowania.(abstrakt oryginalny)

EN

In the article the author proposes an original procedure for selecting the features in dynamic clustering. The author verifies the potential of the dynamic clustering method, such as: self-learning neural network type of GNG. To speed up and improve the results of the clustering, the author reduces the number of variables using SOM network. The simulation experiment shows the effectiveness of this approach. This approach allows a considerable speed up of the process of dynamic clustering without losing the quality of clustering.(original abstract)

Słowa kluczowe

PL

Mapa samoorganizująca; Metody grupowania

EN

Self-Organizing Maps (SOM); Grouping methods

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2013
• Tom: 21
• Numer: nr 279 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 48--57

Twórcy

autor

Kamila Migdał-Najman

• Uniwersytet Gdański

Bibliografia

• Berthold M., Hand D.J., Intelligent Data Analysis, Springer-Verlag, Berlin Heidelberg, 1999, s. 253.
• Deboeck G., Kohonen T., Visual Explorations in Finance with Self-Organizing Maps, Springer-Verlag, London 1998, s. 159.
• Fritzke B., Growing cell structures - a self-organizing network for unsupervised and supervised learning, "Neural Networks", 7, 9, 1994, s. 1441-1460.
• Gnanadesikan R., Kettenring J.R., Tsao S.L., Weighting and selection of variable for cluster analysis, "Journal of classification", 12, 1995, s. 113-136.
• Kohonen T., Self-Organizing Maps, Springer-Verlag, Berlin, Heidelberg 1995, 1997, 2001.
• Kaski S., Kangas J., Kohonen T., Bibliography of self-organizing map (SOM) papers: 1981-1997, "Neural Computing Surveys", 1, 1998, s. 102-350.
• Milligan G.W., Issues in applied classification: selection of variables to cluster, Classification Society of North America, News Letter, November Issue 37, 1994.
• Milligan G.W., Clustering Validation: Results and Implications for Applied Analyses, [in:] P. Arabie, L. Hubert, G. DeSoete (eds.), Clustering and Classification, River Edge, NJ, World Scientific, 1996, s. 341-375.
• Migdał-Najman K., Najman K., Applying the Kohonen Self-Organizing Map Networks to Select Variables, [in:] C. Preisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker (eds.), Data Analysis, Machine Learning and Applications, Springer-Verlag, Berlin, Heidelberg 2008, s. 45-54.
• Migdał-Najman K., Analiza porównawcza własności nienadzorowanych sieci neuronowych typu Self Organizing Map i Growing Neural Gas w analizie skupień, [w:] Taksonomia 16, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe UE we Wrocławiu nr 47, 2009, s. 205-213.
• Najman K., Grupowanie dynamiczne i wykorzystaniem sieci GNG, "Przegląd Statystyczny", nr 3-4, 2011, 231-241.
• Najman K., Grupowanie dynamiczne z wykorzystaniem samouczących się sieci GNG, [w:] Taksonomia 19, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe UE we Wrocławiu nr 242, 2012, s. 361-369.
• Pociecha J., Podolec B., Sokołowski A., Zając K., Metody taksonomiczne w badaniach społeczno-ekonomicznych, PWN, Warszawa 1998, s. 102-110.
• Walesiak M., Problemy selekcji i ważenia zmiennych w zagadnieniach klasyfikacji, [w:] Taksonomia 12, Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe UE we Wrocławiu nr 1076, 2005, s. 106-118.