Klasyfikacja pojęciowa danych symbolicznych w podejściu wielomodelowym

• Autorzy: Marcin Pełka

Warianty tytułu

The Ensemble Conceptual Clustering for Symbolic Data

• Języki publikacji: PL

Abstrakty

Celem artykułu jest zaproponowanie nowego podejścia w klasyfikacji wielomo-delowej danych symbolicznych z wykorzystaniem klasyfikacji pojęciowej jako klasyfikatora bazowego. W artykule przedstawiono podstawowe pojęcia z zakresu analizy danych symbo-licznych, podejścia wielomodelowego oraz klasyfikacji pojęciowej. W części empirycznej omówiono wyniki badań symulacyjnych dla sztucznych i rzeczywistych zbiorów danych.(abstrakt oryginalny)

EN

The main aim of the paper is to present a proposal of a new ensemble clustering for symbolic data with the application of conceptual learning which is applied as the base classifier. The paper presents basic terms of symbolic data, ensemble learning and conceptu-al clustering. In the empirical part the results of simulation study with artificial and real data sets are presented and compared.(original abstract)

Słowa kluczowe

PL

Analiza danych; Podejście wielomodelowe

EN

Data analysis; Multiple-model approach

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2014
• Tom: 22
• Numer: nr 327 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 202--209

Twórcy

autor

Marcin Pełka

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Bock H.-H., Diday E. (red.) (2000), Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer Verlag, Berlin - Heidelberg.
• Billard L., Diday E. (2006), Symbolic Data Analysis. Conceptual Statistics and Data Mining, John Wiley & Sons, Chichester.
• De Carvalho F.A.T., Lechevallier Y., de Melo F.M. (2012), Partitioning hard clustering algorithms based on multiple dissimilarity matrices, "Pattern Recognition" 45(1), s. 447-464.
• Diday E., Brito P. (1989), Symbolic cluster analysis, [w:] O. Opitz (red.), Conceptual and Numerical Analysis of Data, Springer-Verlag, Berlin - Heidelberg, s. 45-84.
• Diay E., Noirhomme-Fraiture M. (2008), Symbolic data analysis. Conceptual statistics and data mining, Wiley, Chichester.
• Dudek A. (2013), Metody analizy danych symbolicznych w badaniach ekonomicznych, Wyd. UE we Wrocławiu, Wrocław.
• Fred A.L.N., Jain A.K. (2005), Combining multiple clustering using evidence accumulation, "IEEE Transactions on Pattern Analysis and Machine Intelligence", vol. 27, s. 835-850.
• Gathemi R., Sulaiman N., Ibrahim H., Mustapha N. (2009), A survey: Clustering ensemble tech-niques, "Proceedings of World Academy of Science, Engineering and Technology", vol. 38, s. 636-645.
• Gatnar E. (1998), Symboliczne metody klasyfikacji danych, Wydawnictwo Naukowe PWN, War- szawa.
• Gatnar E. (2008), Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Ichino M. (1988), General metrics for mixed features - the Cartesian space theory for pattern recog-nition, [w:] Proceedings of the 1988 IEEE International Conference on Systems, Man and Cy-bernetics, vol. 1, International Academic Publishers, Beijing, s. 494-497.
• Noirhomme-Fraiture M., Brito P. (2011), Far beyond the classical data models: symbolic data analy-sis, "Statistical Analysis and Data Mining", vol. 4, issue 2, s. 157-170.
• Pełka M. (2012), Ensemble approach for clustering of interval-valued symbolic data, "Statistics in Transition", vol. 13, no. 2, s. 335-342.
• Pełka M. (2013), Podejście wielomodelowe analizy danych symbolicznych w ocenie pozycji produk-tów na rynku, Ekonometria 2(40), Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław, s. 95-102.