Adaptacja metody bagging z zastosowaniem klasyfikacji pojęciowej danych symbolicznych

• Autorzy: Marcin Pełka

Warianty tytułu

The Adaptation of Bagging with the Application of Conceptual Clustering of Symbolic Data

• Języki publikacji: PL

Abstrakty

Podejście wielomodelowe może być z powodzeniem zastosowane w zagadnieniach dyskryminacyjnych i regresyjnych analizy danych. Podejście to może zostać także zastosowane w klasyfikacji. W odróżnieniu od obiektów w sensie klasycznym obiekty symboliczne mogą być opisywane także przez zmienne interwałowe, zmienne wielowariantowe, zmienne wielowariantowe z wagami, zmienne interwałowe z wagami oraz zmienne strukturalne. Celem artykułu jest zaproponowanie zastosowania metody bagging, z użyciem adaptacji propozycji Leischa [1999], w klasyfikacji wielomodelowej danych symbolicznych. W wyniku wykorzystania tego podejścia otrzymuje się wyniki w postaci klas opisywanych przez pojęcia. W części empirycznej przedstawiono wyniki badań symulacyjnych z wykorzystaniem rzeczywistych i sztucznych zbiorów danych symbolicznych(abstrakt oryginalny)

EN

Ensemble learning can be succesfully applied in discrimination and regression tasks [Gatnar 2008]. However, the idea of combining results obtained from different models can be applied in clustering [Fred, Jain 2005]. Unlike classical data, symbolic objects can be described by interval-valued variables, multinominal variables, histogram variables and multinominal variables with weights. Symbolic variables can also present dependencies [Bock, Diday 2000, pp. 2-3]. The main aim of the paper is to present an application of bagging algorithm for clustering, according to proposal made by Leisch [1999]. Conceptual clustering for symbolic data will be used as the base model. The resulting clusters are described by concepts. In the empirical part of the article results obtained with the application of artificial and real data sets are presented(original abstract)

Słowa kluczowe

PL

Podejście wielomodelowe; Analiza danych; Klasyfikacja

EN

Multiple-model approach; Data analysis; Classification

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2015
• Tom: 24
• Numer: nr 384 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 227--235

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.
• Diday E., Noirhomme-Fraiture M., 2008, Symbolic Data Analysis. Conceptual Statistics and Data Mining, Wiley, Chichester.
• Dudek A., 2004, Tworzenie obiektów symbolicznych z baz danych, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1021, s. 107-114.
• Dudek A., 2013, Metody analizy danych symbolicznych w badaniach ekonomicznych, Wyd. UE we Wrocławiu, Wrocław.
• Dudoit S., Fridlyand J., 2003, Bagging to improve the accuracy of a clustering procedure, Bioinformatics, vol. 19, no. 9, s. 1090-1099.
• 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.
• Gatnar E., 1998, Symboliczne metody klasyfikacji danych, Wydawnictwo Naukowe PWN, Warszawa.
• Gatnar E., 2008, Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa.
• Ghaemi R., Sulaiman N., Ibrahim H., Mustapha N., 2009, A Survey: Clustering Ensemble Techniques,[w:] Proceedings of World Academy of Science, Engineering and Technology, vol. 38, s. 636-645.
• Hornik K., 2005, A CLUE for CLUster Ensembles, "Journal of Statistical Software", vol. 14, s. 65-72.
• Ichino M., 1988, General metrics for mixed features - the Cartesian space theory for pattern recognition,[w:] Proceedings of the 1988 IEEE International Conference on Systems, Man and Cybernetics, vol. 1, International Academic Publishers, Beijing, s. 494-497.
• Kuncheva L.I., 2004, Combining Pattern Classifiers. Methods and Algorithms, Wiley, New Jersey.
• Leisch F., 1999, Bagged clustering, Adaptive Information Systems and Modeling in Economics and Management Science, Working Papers, SFB, 51.
• Noirhomme-Fraiture M., Brito P., 2011, Far beyond the classical data models: symbolic data analysis, Statistical Analysis and Data Mining, vol. 4, issue 2, s. 157-170.
• Pełka M., 2012a, Ensemble approach for clustering of interval-valued symbolic data, Statistics in Transition, vol. 13, no. 2, s. 335-342.
• Pełka M., 2012b, Skalowanie wielowymiarowe i klasyfikacja danych symbolicznych w ocenie pozycji produktów na rynku, Marketing i Rynek nr 3/2012, s. 21-26.
• Pełka M., 2014, Klasyfikacja pojęciowa danych symbolicznych w podejściu wielomodelowym, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 327, s. 202-209.
• Walesiak M., Dudek A., 2014, The clusterSim package, http://www.r-project.org.

Identyfikatory

DOI

10.15611/pn.2015.384.24