Analiza porównawcza wybranych metod analizy skupień w grupowaniu jednostek o złożonej strukturze grupowej

• Autorzy: Kamila Migdał-Najman , Krzysztof Najman

Warianty tytułu

A Comparative Analysis of Selected Methods of Cluster Analysis in the Grouping Units with a Complex Group Structure

• Języki publikacji: PL

Abstrakty

Celem prezentowanych badań jest analiza porównawcza wybranych klasycznych metod grupowania danych z autorskimi, hybrydowymi metodami opartymi na samouczących się sieciach neuronowych typu Self Organizing Map (SOM) i Growing Neural Gas (GNG). Wykazano eksperymentalnie, że w wyróżnianiu złożonych struktur przestrzennych badanych jednostek najczęściej stosowane metody klasyczne mogą być nieskuteczne. Znacząco lepsze wyniki spośród uwzględnionych metod uzyskano dla hybrydowej sieci neuronowej typu SOM+GNG. Wykazano także, że w testowanych przypadkach samodzielnie stosowana sieć GNG charakteryzuje się najlepszymi własnościami wyróżniania skupień spośród wszystkich badanych metod. (abstrakt oryginalny)

EN

The aim of this article is a comparative analysis of selected classical clustering methods, with hybrid methods based on self-learning neural network type Self Organizing (SOM) and Growing Neural Gas (GNG). It has been shown experimentally that in distinguishing complex spatial structures of the units, most commonly used classical methods may be ineffective. The better results were obtained from the included methods for a hybrid neural network SOM+GNG. It was also shown that the test cases used alone GNG network is characterized highlighting the best of the properties of clusters of all of these methods. (original abstract)

Słowa kluczowe

PL

Analiza porównawcza; Analiza skupień; Metody grupowania; Sztuczne sieci neuronowe (SSN); Mapa samoorganizująca

EN

Comparative analysis; Cluster analysis; Grouping methods; Artificial neural networks (ANN); Self-Organizing Maps (SOM)

• Czasopismo: Zarządzanie i Finanse
• Rocznik: 2013
• Numer: R. 11, nr 3, cz. 2
• Strony: 179--194

Twórcy

autor

Kamila Migdał-Najman

• Uniwersytet Gdański

autor

Krzysztof Najman

• Uniwersytet Gdański

Bibliografia

• Anderberg M.R. (1973), Cluster analysis for applications, Academic Press, New York, San Francisco, London.
• Ball G.H., Hall D.J. (1965), ISODATA, a novel method of data analysis and pattern classification, Technical report NTIS AD 699616, Stanford Research Institute, Stanford, Menlo Park CA.
• Benzécri J.P. (1992), Correspondence Analysis Handbook, New York: Marcel Dekker.
• Bergan T., (1971), Survey of numerical techniques for grouping, "Bacteriological Reviews", Vol. 35, No. 2
• Davies D.L., Bouldin D.W. (1979), A cluster separation measure, "IEEE Transactions on Pattern Analysis and Machine Intelligence", PAMI-1, No. 2.
• Deboeck G., Kohonen T. (1998), Visual explorations in finance with Self-Organizing Maps, Springer-Verlag, London.
• Everitt B.S., Landau S., Leese M., Stahl D. (2011), Cluster analysis, 5th edition, John Wiley & Sons, Ltd., Chichester.
• Forgy E.W. (1965), Cluster analysis of multivariate data: efficiency vs. interpretability of classifications, Streszczenia referatów wygłoszonych na Spring Meeting of ENAR, na Florida State University at Tallahassee, Floryda, 29.04-1.05, "Biometrics", Vol. 21, No. 3.
• Fritzke B. (1994), Growing cell structures - a self-organizing network for unsupervised and supervised learning, "Neural Networks", Vol. 7, No. 9.
• Gatnar E., Walesiak M. (red.) (2004), Metody statystycznej analizy wielowymiarowej w badaniach marketingowych, Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław.
• Gordon A.D. (1987), A review of hierarchical classification, "Journal of the Royal Statistical Society", Series A (General), Vol. 150, No. 2.
• Greenacre M.J. (1984), Theory and Applications of Correspondence Analysis, Academic Press, London.
• Hardy A. (1996), On the number of clusters, "Computational Statistics & Data Analysis", Vol. 23, No. 1.
• Hartigan J. (1975), Clustering algorithms, John Wiley & Sons, New York.
• Hartigan J., Wong M. (1979), Algorithm AS136: a k-means clustering algorithm, "Applied Statistics", Vol. 28, No. 1.
• Jajuga K. (1990), Statystyczna teoria rozpoznawania obrazów, PWN, Warszawa.
• Jajuga K. (1993), Statystyczna analiza wielowymiarowa, PWN, Warszawa.
• Jardine N., Sibson R. (1968), The construction of hierarchic and non-hierarchic classifications, "The Computer Journal", Vol. 11, No. 2.
• Johnson S.C. (1967), Hierarchical clustering schemes, "Psychometrika", Vol. 32, No. 3.
• Kohonen T. (1995, 1997, 2001), Self-Organizing Maps, Springer-Verlag, Heidelberg, Berlin.
• Lance G.N., Williams W.T. (1966 a), Computer programs for hierarchical polythetic classification ("Similarity analysis"), "The Computer Journal", Vol. 9, No. 1.
• Lance G.N., Williams W.T. (1966 b), A generalized sorting strategy for computer classifications, "Nature", Vol. 212.
• Lance G.N., Williams W.T. (1967 a), A general theory of classificatory sorting strategies, I. Hierarchical systems, "The Computer Journal", Vol. 9, No. 4.
• Lance G.N., Williams W.T. (1967 b), A general theory of classificatory sorting strategies: II. Clustering systems, "The Computer Journal", Vol. 10, No. 3.
• Lamirel J., Mall R., Cuxac P., Safi G. (2011), Variations to incremental growing neural gas algorithm based on label maximization, "Neural Networks, The 2011 International Joint Conference on".
• MacQueen J.B. (1967), Some methods for classification and analysis of multivariate observations, Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1.
• Marek T., Noworol C. (1987), w: Brzeziński J. (red.), Wielozmiennowe modele statystyczne w badaniach psychologicznych, PWN, Warszawa-Poznań.
• Migdał Najman K., (2007), Propozycja hybrydowej metody grupowania dużych zbiorów danych wykorzystującej sieć Kohonena i taksonomiczne metody grupowania, Taksonomia 14, Prace Naukowe AE we Wrocławiu, nr 1169.
• Migdał Najman K. (2008), Analiza porównawcza struktur hierarchicznych skupień uzyskanych z wykorzystaniem hybrydowych metod grupowania, Taksonomia 15, Prace Naukowe Uniwersytety Ekonomicznego we Wrocławiu, nr 7.
• Migdał Najman K. (2009), Analiza porównawcza własności nienadzorowanych sieci neuronowych typu self organizing map i growing neural gas w analizie skupień, Taksonomia 16, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 47.
• Migdał Najman K. (2012), Propozycja hybrydowej metody grupowania opartej na sieciach samouczących, Taksonomia 19, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 242.
• Migdał Najman K., Najman K. (2005), Analityczne metody ustalania liczby skupień, Taksonomia 12, Prace Naukowe AE we Wrocławiu, nr 1076.
• Migdał Najman K., Najman K. (2006 a), Analityczne metody ustalania liczby skupień w rozmytych zbiorach danych, Taksonomia 13, Prace Naukowe AE we Wrocławiu, nr 1126.
• Migdał Najman K., Najman K. (2006 b), Wykorzystanie indeksu silhouette do ustalania optymalnej liczby skupień, "Wiadomości Statystyczne", nr 6.
• Migdał Najman K., Najman K. (2008), Wykorzystanie wskaźnika Dunna do ustalania optymalnej liczby skupień, "Wiadomości Statystyczne", nr 11.
• Milligan G.W. (1980), An examination of the effect of six types of error perturbation on fifteen clustering algorithms, "Psychometrika", Vol. 45, No. 3.
• Milligan G.W., Cooper M.C. (1985), An examination of procedures for determining the number of clusters in a data set, "Psychometrika", Vol. 50, No. 2.
• Milligan G.W., Cooper M.C. (1987), Methodology review: clustering methods, "Applied psychological measurement", Vol. 11, No. 4.
• Mirkin B.G. (1996), Mathematical classification and clustering, Kluwer Academic Publishers, Dordrecht, The Netherlands.
• Najman K. (2008), Symulacyjna analiza wpływu wyboru kryterium optymalności podziału obiektów na jakość uzyskanej klasyfikacji a algorytmach k-średnich, Taksonomia 15, Prace Naukowe Uniwersytety Ekonomicznego we Wrocławiu, nr 7.
• Najman K. (2009), Zastosowanie nienadzorowanych sieci neuronowych typu Growing Neural Gas w analizie skupień, Taksonomia 16, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 47.
• Najman K. (2010), Ocena wpływu parametrów sterujących procesem samouczenia się sieci GNG na ich zdolność do separowania skupień, Taksonomia 17, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 17.
• Najman K. (2011), Propozycja algorytmu samouczenia się sieci neuronowych typu GNG ze zmiennym krokiem uczenia, Taksonomia 18, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 176.
• Pociecha J., Podolec B., Sokołowski A., Zając K. (1988), Metody taksonomiczne w badaniach społeczno-ekonomicznych, PWN, Warszawa.
• Rand W.M. (1971), Objective criteria for the evaluation of clustering methods, "Journal of the American Statistical Association", Vol. 66, No. 336.
• Rousseeuw P.J. (1987), Silhouettes: a graphical aid to the interpretation and validation of cluster analysis, "Journal of Computational and Applied Mathematics", Vol. 20, No. 1.
• Sneath P.H.A., Sokal R.R. (1973), Numerical taxonomy, the principles and practice of numerical classification, W.H. Freeman and Company, San Francisco.
• Stąpor K. (2005), Automatyczna klasyfikacja obiektów, Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Tryon R.C. (1939), Cluster analysis, New York: McGraw-Hill.
• Vesanto J., Himberg J., Alhoniemi E., Parhankangas J. (2002), SOM Toolbox for Matlab 5, SOM Toolbox Team, Helsinki University of Technology, ESPOO, Finland.
• Walesiak M. (1996), Metody analizy danych marketingowych, PWN, Warszawa.
• Ward J.H. (1963), Hierarchical grouping to optimize an objective function, "Journal of the American Statistical Association", Vol. 58, No. 301.