Miary odległości obiektów opisanych zmiennymi symbolicznymi z wagami

• Autorzy: Justyna Wilk

Warianty tytułu

Dissimilarity Measures for Probabilistic Symbolic Objects

• Języki publikacji: PL

Abstrakty

Wśród zmiennych symbolicznych (symbolic variables) szczególną rolę odgrywają zmienne symboliczne z wagami (multi-valued modal variables). Ich specyficzny charakter i nietypowa struktura uniemożliwiają zastosowanie klasycznych miar odległości, a także miar symbolicznych przeznaczonych do analizy podobieństwa obiektów opisanych pozostałymi typami zmiennych symbolicznych. Artykuł ma na celu omówienie (na przykładach empirycznych) specyfiki tego rodzaju zmiennych, zaprezentowanie miar odległości obiektów opisanych zmiennymi symbolicznymi z wagami (probabilistic symbolic objects), prezentację przykładu empirycznego wyznaczania odległości obiektów tego typu oraz przeprowadzenie klasyfikacji obiektów na podstawie uzyskanej macierzy odległości. (fragment tekstu)

EN

The paper presents the way how to measure distance between probabilistic symbolic objects (objects described by modal variables). Firstly there was presented an idea and the types of modal variables (with examples) and then symbolic dissimilarity measures suggested to analyze. Finally the example of matching distance between probabilistic symbolic objects was illustrated and then cluster analysis was applied. (original abstract)

Słowa kluczowe

PL

Miara odległości

EN

Distance measures

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2006
• Tom: 13
• Numer: nr 1126 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 224--236

Twórcy

autor

Justyna Wilk

• Akademia Ekonomiczna we Wrocławiu

Bibliografia

• Ali S.M., Silvey S.D. (1966), A General Class of Coefficient of Divergence of One Distribution from Another, "Journal of the Royal Statistical Society, Ser. B", vol. 2.
• ASSO Developers Partners (2004), Information Society Technologies Programme. User Manual for SODAS 2 Software.
• Bacelar-Nicolau H. (2000), The Affinity Coefficient, [w:] H.H. Bock, E. Diday (Eds.), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, Heidelberg, s. 160-165.
• Billard L., Diday E. (2003), From the Statistics of Data to the Statistic of Knowledge: Symbolic Data Analysis, "Journal of the American Statistical Association", June 2003, vol. 98, nr 470-487.
• Billard L., Diday E. (2002), Symbolic Data Analysis: Definitions and Examples, Ceremade, Dauphine.
• Bock H.H. (2000), Dissimilarity Measures for Probability Distributions, [w:] H.H. Bock, E. Diday (Eds.), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, Heidelberg, s. 153-165.
• Bock H.H., Diday E. (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, Information Society Technologies Programme. User Manual for Sodas 2 Software, s. 207-214.
• Brto P., de Carvalho F.A.T. (2001), Symbolic Clustering of Constrained Probabilistic Data, [w:] O. Opitz, M. Schwaiger (Eds.), Exploratory Data Analysis in Empirical Research, "Studies in Classification, Data Analysis and Knowledge Organization", Springer-Verlag, Heidelberg, s. 12-22.
• Brito P., Polaillon G. (2005), Structuring Probabilistic Data by Galois Lattices, "Mathematicts and Social Sciences" vol. 43, nr 169, s. 77-104.
• Csiszar I. (1967), Information-type Measures of Difference of Probability Distributions and Indirect Observations, "Studia Scient. Math. Hung." vol. 2.
• Gatnar E., Walesiak M. (red.) (2004), Metody statystycznej analizy wielowymiarowej w badaniach marketingowych, AE, Wrocław.
• Gordon A.D. (1999), Classification, Chapman & Hall/CRC, London.
• Hardy A., Lallemand P. (2004), Clustering of Symbolic Objects Described by Multi-Valued and Modal Variables, [w:] D. Banks, L. House, F.R. McMorris, P. Arabie, W. Gaul (Eds.), Clustering and Data Mining Applications, "Studies in Classification, Data Analysis and Knowledge Organization", Springer-Verlag, Berlin-Heidelberg, s. 325-332.
• Malerba D., Esposito F., Monopoli M. (2002), Comparing Dissimilarity Measures for Probabilistic Symbolic Objects, [w:] A. Zanasi, C.A. Brebbia, N.F.F. Ebecken, P. Melli (Eds.) Data Mining III, "Series Management Information Systems", WIT Press, Southampton, UK, vol. 6, s. 31-40.
• Matusita K. (1951), Decision Rules Based on Distance for Problems of Fit, Two Samples and Estimation, "Ann. Math. Stat." 3, s. 1-30.
• Matusita K. (1955), On the Theory of Statistical Decision Functions, "Ann. Math. Stat." 26, s. 631-640.
• Rubner Y., Puzicha L, Tomasi C., Buhmann J.M. (2001), Empirical Evaluation of Dissimilarity Measures for Color and Texture, "Computer Vision and Image Understanding" 84, s. 25-43.
• Stephan V., Hebrail G., Lechevallier Y. (2000), Generation of Symbolic Objects from Relational Databases, [w:] H.H. Bock, E. Diday (Eds.), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin, Heidelberg, s. 78-105.
• Statystyki rynku pracy, www.praca.gov.pl.
• Verde R. (2004), Clustering Methods in Symbolic Data Analysis, [w:] D. Banks, L. House, F.R. McMorris, P. Arabie, W. Gaul (Eds.), Clustering and Data Mining Applications, "Studies in Classification, Data Analysis and Knowledge Organization", Springer-Verlag, Berlin-Heidelberg, s. 299-317.