PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2011 | 18 | nr 176 Klasyfikacja i analiza danych - teoria i zastosowania | 375--382
Tytuł artykułu

Podejście wielomodelowe w analizie danych symbolicznych - metoda bagging

Autorzy
Warianty tytułu
Ensemble Learning For Symbolic Data With Application Of Bagging
Języki publikacji
PL
Abstrakty
W artykule przedstawiono podstawowe pojęcia związane z metodą bagging oraz metodą k-najbliższych sąsiadów dla danych symbolicznych. Zaprezentowano w nim także możliwość zastosowania podejścia wielomodelowego bagging w metodzie k-najbliższych sąsiadów dla danych symbolicznych. W części empirycznej przedstawiono zastosowanie podejścia wielomodelowego dla danych symbolicznych w przypadku przykładowych zbiorów danych wygenerowanych za pomocą funkcji cluster.Gen z pakietu cluster- Sim w programie R.(abstrakt oryginalny)
EN
The paper presents the most important basic terms of bagging and k-nearest neighbour for symbolic data. The article also presents an application of bagging ensemble for k-nearest neighbour for symbolic data.In the empirical part the application of ensemble learning for symbolic data is presented for some data sets generated by function cluster. Gen from clusterSim package of R software.(original abstract)
Słowa kluczowe
Twórcy
  • 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 Berlin 2000.
  • Breiman L., Bagging predictors, "Machine Learning" 1996, vol. 24, s. 123-140.
  • Fix E., Hodges J.L., Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties. Report 4. Project no. 21-49-004, USAF School of Aviation Medicine, Randolph Field, Texas 1951.
  • Gatnar E., Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa 2008.
  • Kuncheva L.I., Combining Pattern Classifiers. Methods and Algorithms, Wiley, New Jersey 2004.
  • Malerba D., D'Amato C., Esposito F., Monopoli M., Extending the K-Nearest Neighbour classification algorithm to symbolic objects, Atti del Convegno Intermedio della Società Italiana di Statistica "Analisi Statistica Multivariata per le scienze economico-sociali, le scienze naturali e la tecnologia", Napoli 2003.
  • Malerba D., Esposito F., D'Amato C., Appice A., K-Nearest Neighbor classification for symbolic objects, [w:] P. Brito, M. Noirhomme-Fraiture (red.), Symbolic and spatial data analysis: mining complex data structures, University of Pisa, Pisa 2004, s. 19-30.
  • Malerba D., Esposito F., D'Amato C., Appice A., Classification of symbolic objects: A lazy learning approach, "Intelligent Data Analysis" 2006, vol. 10, no. 4, s. 301-324.
  • Polikar R., Ensemble based systems in decision making, "IEEE Circuits and Systems Magazine" 2006, vol. 6, no. 3, s. 21-45.
  • Polikar R., Bootstrap inspired techniques in computational intelligence, "IEEE Signal Processing Magazine" 2007, vol. 24, no. 4, s. 56-72.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171370679

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.