Metody doboru zmiennych w procesie klasyfikacji obiektów symbolicznych

• Autorzy: Andrzej Dudek , Justyna Wilk

Warianty tytułu

Feature Selection Methods in Symbolic Objects Classification Process

• Języki publikacji: PL

Abstrakty

Jednym z kluczowych etapów procedury klasyfikacyjnej jest wybór zmiennych. W procedurze klasyfikacji należy uwzględnić tylko te zmienne, które mają zdolność do grupowania obiektów w jednorodne klasy. Zagadnienie doboru zmiennych jest szczególnie utrudnione w sytuacji, gdy zbiór obiektów jest opisany zmiennymi symbolicznymi. Złożona struktura zmiennych symbolicznych uniemożliwia aplikację klasycznych procedur. Problematyka wyboru zmiennych symbolicznych jest podejmowana w niewielu pracach. Celem artykułu jest przedstawienie podejść w procesie selekcji zmiennych symbolicznych, a także prezentacja metody selekcji zmiennych symbolicznych opracowanej przez Ichino. (abstrakt oryginalny)

EN

Selecting variables is one of the most important steps in cluster analysis procedure. Variables used to characterize a set of objects should be able to discriminate the data. Identifying noisy variables is particularly complicated in case of symbolic data analysis. The complexity of symbolic data makes the direct application of classical procedures for variables selection impossible. The problem of selecting symbolic variables is not often mentioned in the literature of subject. The aim of the paper is a presentation of symbolic variables selection approaches and a description of Ichino method dedicated for symbolic data analysis. (original abstract)

Słowa kluczowe

PL

Dobór zmiennych; Klasyfikacja obiektów; Analiza danych

EN

Variables selection; Classification of objects; Data analysis

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Ekonometria
• Rocznik: 2009
• Tom: 27
• Numer: nr 84 Zastosowania metod ilościowych
• Strony: 20--28

Twórcy

autor

Andrzej Dudek

• Uniwersytet Ekonomiczny we Wrocławiu

autor

Justyna Wilk

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Bock H.H., Diday E. (red.), Analysis of SYMBOLIC Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer, Heidelberg 2000.
• Carmone F.J., Kara A., Maxwell S., HINoV: a new method to improve market segment definition by identifying noisy variables, "Journal of Marketing Research", November, 1999, 36, s. 501-509.
• Fowlkes E.B., Gnanadesikan R., Kettenring J.R., Variable selection in clustering and other contexts, [w:] C.L. Mallows (red.), Design, Data, and Analysis, Wiley, New York, Toronto1987.
• Fowlkes E.B., Gnanadesikan R., Kettenring J.R., Variable selection in clustering, "Journal of Classification" 1988, vol. 5, s. 205-228.
• Gnanadesikan R., Kettenring J.R., Tsao S.L., Weighting and selection of variables for cluster analysis, "Journal of Classification" 1995, vol. 12, s. 113-136.
• Guyon I., Elisseeff A., An introduction to variable and feature selection, "Journal of Machine Learning Research" 2003, 3, s. 1157-1182.
• Ichino M., Feature selection for symbolic data classification, [w:] E. Diday (red.), New Approaches in Classification and Data Analysis, Springer-Verlag, Berlin-Heidelberg 1994, s. 387-394.
• Makarenkov V., Legendre P., Optimal variable weighting for ultrametric and additive trees and k-means partitioning methods and software, "Journal of Classification" 2001, vol. 18, s. 245-271.
• Milligan G.W., Issues in applied classification: selection of variables to cluster, "Classification Society of North America Newsletter" 1994, issue 37.
• Sokołowski A., Empiryczne testy istotności w taksonomii, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, seria: Monografie nr 108, AE, Kraków 1992.
• Walesiak M., Problemy decyzyjne w procesie klasyfikacji zbioru obiektów, [w:] J. Dziechciarz, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1010, AE, Wrocław 2004, s. 52-71.
• Walesiak M., Problemy selekcji i ważenia zmiennych w zagadnieniu klasyfikacji, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1076, AE, Wrocław 2005, s. 106-118.
• Walesiak M., Dudek A., Identification of noisy variables for nonmetric and symbolic data in cluster analysis, [w:] C. Preisach, H. Burkhardt, L. Schmidt-Thieme, R. Decker (red.), Data Analysis, Machine Learning and Applications, Studies in Classification, Data Analysis and Knowledge Organization, Springer-Verlag, Berlin-Heidelberg 2008, s. 84-92.