Interpretacja i profilowanie klas w analizie danych symbolicznych

• Autorzy: Justyna Wilk

Warianty tytułu

Cluster Interpretation in Symbolic Data Analysis

• Języki publikacji: PL

Abstrakty

Metody klasyfikacji są jednymi z najczęściej wykorzystywanych procedur w analizie danych marketingowych. Rezultatem procesu klasyfikacji jest podział zbioru obiektów na względnie jednorodne klasy. Wyniki klasyfikacji stają się użyteczne, gdy wyodrębnione klasy zostaną scharakteryzowane ze względu na wewnętrzną strukturę, a także relacje międzyklasowe. W badaniach marketingowych istotnymi kwestiami są więc interpretacja i profilowanie klas. W praktyce wiele zagadnień marketingowych jest charakteryzowanych za pomocą zmiennych symbolicznych (symbolic variables). Złożona struktura i nietypowy charakter tych zmiennych powodują, że do opisu klas obiektów opisanych tego rodzaju zmiennymi nie można zastosować dotąd proponowanych procedur. Artykuł ma na celu przybliżenie sposobu opisu klas obiektów symbolicznych w podstawowym zakresie na przykładach empirycznych. (fragment tekstu)

EN

There was presented the way of cluster interpretation in symbolic data analysis in the paper. Firstly the idea and the types of symbolic variables were defined. Then two ways of classification procedure for symbolic objects were suggested. After that the ways of cluster interpretation of symbolic objects were characterized according to classification procedure, with numerical examples. (original abstract)

Słowa kluczowe

PL

Klasyfikacja obiektów

EN

Classification of objects

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2007
• Tom: 14
• Numer: nr 1169 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 149--159

Twórcy

autor

Justyna Wilk

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• ASSO Developers Partners (2001), Scientific-technical Report for WP 6. Unsupervised Classification, Validation and Cluster Representation.
• Billard L., Diday E. (2003), From the Statistics of Data to the Statistic of Knowledge: Symbolic Data Analysis, "Journal of American Statistical Association" June, vol. 98, nr 470-487.
• Bock H.H., Diday E. (red.) (2000), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, Heidelberg.
• Brito P. (2004), Clustering Interpretation. Interpreting Clusters by Using the Module CLINT, [w:] ASSO Developers Partners, User Manual for SODAS 2 Software, s. 207-214.
• Fisher D., Langley P. (1996), Conceptual Clustering and Its Relationship to Numerical Taxonomy, [w:] W.A. Gale (red.), Artificial Intelligence and Statistics, Addison-Wesley, Reading.
• Gatnar E. (1998), Symboliczne metody klasyfikacji danych, PWN, Warszawa.
• Gatnar E., Walesiak M. (red.) (2004), Metody statystycznej analizy wielowymiarowej w badaniach marketingowych, AE, Wrocław.
• Gordon A.D. (1999), Classification, "Monographs on Statistics and Applied Probabilistic" nr 82, Chapman & Hall/CRC.
• Hair J.F., Anderson R.E., Tatham R.L., Black W.C. (1998), Multivariate Data Analysis, Pearson Prentice Hall, Englewood Cliffs.
• Jain A.K., Murty M.N., Flynn P.J. (1999), Data Clustering: A Review, "ACM Computing Survey" vol. 31, nr 3, s. 264-322.
• Michalski R.S., Stepp E., Diday E. (1981), A Recent Advanced in Data Analysis: Clustering Objects Into Classes Characterized by Conjunctive Concepts, [w:] L. Kanal, A. Rosenfeld (red.), "Progress in Pattern Recognition" vol. 1.
• Punj G., Stewart D.W. (1983), Cluster Analysis in Marketing Research: Review and Suggestions for Application, "Journal of Marketing Research" vol. 10, s. 134-148.
• Verde R., Lechevallier Y., Chavent M. (2003), Symbolic Clustering Interpretation and Visualization, "Electronic Journal of Symbolic Data Analysis" vol. 1, nr 1.
• Walesiak M. (2004), Problemy decyzyjne w procesie klasyfikacji zbioru obiektów, [w:] J. Dziechciarz (red.), "Prace Naukowe AE we Wrocławiu", Ekonometria 13, nr 1010, AE, Wrocław, s. 52-71.