Hierarchiczne metody klasyfikacji w analizie danych symbolicznych

• Autorzy: Justyna Wilk

Warianty tytułu

Hierarchical Clustering Methods in Symbolic Data Analysis

• Języki publikacji: PL

Abstrakty

Różnorodność zmiennych, ich złożony (kompleksowy) charakter i nietypowa struktura powodują utrudnienia w procesie klasyfikacji, dotyczące m.in. wyboru miary odległości i metody analizy. Bock i Diday tego rodzaju zmienne określili jako zmienne symboliczne.
Jak pokazuje praktyka, wiele problemów marketingowych opisuje się za pomocą tego typu zmiennych. W artykule przedstawione zostaną zmienne symboliczne na przykładzie typowych pytań dotyczących preferencji nabywców samochodów osobowych. (fragment tekstu)

EN

The article looks at the types and concepts of symbolic data and then attempts to review the available hierarchical clustering methods (traditional and symbolic) to analyze. Symbolic data were defined and contrasted with classical data and the examples were presented. (original abstract)

Słowa kluczowe

PL

Klasyfikacja; Analiza danych

EN

Classification; Data analysis

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2005
• Tom: 12
• Numer: nr 1076 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 376--386

Twórcy

autor

Justyna Wilk

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, red. H.H. Bock, E. Diday, Springer Verlag 2000.
• Billard L., Diday E., From the Statistics of Data to the Statistic of Knowledge Symbolic Data Analysis, "Journal of the American Statistical Association" czerwiec 2003, vol. 98, nr 462, s. 456-469.
• Diday E., An Introduction to Symbolic Data Analysis and The Sodas Softwar "The Electronic Journal of Symbolic Data Analysis", lipiec 2002.
• Everitt B.S., Landau S., Leese M., Cluster Analysis, Arnold Publishers, London 2001.
• Gatnar E., Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998.
• Gordon A.D., Classification, Chapman&Hall/CRC, London 1999.
• Jain A.K., Murty M.N., Flynn P.J., Data Clustering: a Review, "ACM Computing Survey", wrzesień 1999, vol. 31, nr 3.
• Li C., Biswas G., Conceptual Clustering with Numeric-and-Nominal Mixed Data a New Similarity Based System, "IEEE Transcript on KCE", 1998.
• Malerba D., Esposito F., Gioviale V., Tamma V., Comparing Dissimilarity Measures in Symbolic Data Analysis, "Proceedings of the Joint Conferences on: New Techniques and Technologies for Statistics and Exchange of Technology and Know-How (ETK-NTTS'01)" 2001, s. 473-481.
• Michalski R.S., Strepp R., Diday E., A Recent Advance in Data Analysis: Clustering Objects into Classes Characterized by Conjunctive Concepts, "Progress in Pattern Recognition", North Holland Publishing Company, vol. 1, Holland 1981.
• Ostasiewicz W., Statystyczne metody analizy danych, AE, Wrocław 1999.
• Walesiak M., Problemy decyzyjne w procesie klasyfikacji zbioru obiektów, "Prace Naukowe AE we Wrocławiu", nr 1010, AE, Wrocław 2004.
• Walesiak M., Metody analizy danych marketingowych, PWN, Warszawa 1996.
• Walesiak M., Uogólniona miara odległości w statystycznej analizie wielowymiarowej, AE, Wrocław 2002.