Modyfikacja metody klasyfikacji podziałowej opartej na kryteriach

• Autorzy: Marcin Pełka

Warianty tytułu

Modification of Criterion-Based Divisive Clustering Method

• Języki publikacji: PL

Abstrakty

Celem niniejszego artykułu jest zaprezentowanie idei symbolicznej klasyfikacji opartej na kryteriach (criterion-based divisive clustering). Metodą ta została zaproponowana przez M. Chavent. W swych założeniach metoda pozwala albo na klasyfikację obiektów, które opisane są zmiennymi w postaci przedziału liczbowego czy innych "silnych skal" pomiaru, albo na klasyfikację obiektów opisanych zmiennymi w postaci listy kategorii czy listy kategorii z wagami. Natomiast z powodu zastosowanej w niej miary jakości klasyfikacji nie pozwala na klasyfikację obiektów opisanych różnymi typami zmiennych łącznie. Dlatego też dodatkowym celem niniejszego opracowania jest pokazanie modyfikacji tej metody, która pozwala na klasyfikację obiektów opisanych przez zmienne dowolnego typu. W części empirycznej porównano wyniki klasyfikacji uzyskane metodą niezmodyfikowaną i zmodyfikowaną na przykładzie rynku samochodowego. (fragment tekstu)

EN

The aim of this article is to present one of symbolic clustering methods, the criterion-based divisive clustering method, besides that article presents a modification of this method that will allow to clustering symbolic objects with different variable types. The article will compare in the empirical part the clustering of a car market with modified and unmodified method. (original abstract)

Słowa kluczowe

PL

Analiza danych; Klasyfikacja

EN

Data analysis; Classification

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2006
• Tom: 13
• Numer: nr 1126 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 246--255

Twórcy

autor

Marcin Pełka

• Akademia Ekonomiczna 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.
• Chavent M. (1998), A Monothetic Clustering Method, "Pattem Recognition Letters" vol. 19, s. 989-996.
• Chavent M., Guinot C., Lechevallier Y., Tenenhaus M. (1999), Méthodes divisives de classification et segmentation non supervisee: recherchere d'une typologie de la peau humaine saine, "Reveue de Statisiques Appliquées" XLVII (4), s. 87-99.
• Chavent M., Stephan V. (1999), From Generalization to Clustering in Relational Data Base Context, [w:] Studies and Research: Proceedings of the Conference on Knowledge Extraction and Symbolic Data Analysis (KESD'98), Office for Official Publications of the European Communities, Luxemburg, s. 105-117.
• Chavent M. (2004), An Hausdorff Distance between Hyper-rectangles for Clustering Interval Data, [w:] D. Banks, L. House, R. McMorris, P. Arabie, W. Gaul, (red.), Classification, Clustering and Data Mining Applications, Springer-Verlag, New York, s. 333-340.
• Dudek A. (2004), Miary podobieństwa obiektów symbolicznych. Odległość Ichino-Yaguchiego, "Prace Naukowe AE we Wrocławiu", Ekonometria.15, (w druku).
• Gatnar E. (1998), Symboliczne metody klasyfikacji danych, Wydawnictwo Naukowe PWN, Warszawa.
• Hair J.E., Anderson R.E., Tatham R.L., Black W.G. (1998), Multivariate Data Analysis, Prentice Hall, New Jersey.
• Ichino M., Yaguchi H. (1994), Generalized Minkowski Metrics for Mixed Feature- Type Data Analysis, "IEEE Transactions on Systems, Man, and Cybernetics" vol. 24, no. 4, s. 698-707.
• Malerba D., Espozito F., Giovalle V., Tamma V. (2001), Comparing Dissimilarity Measures for Symbolic Data Analysis, materiały konferencyjne ‚New Techniques and Technologies for Statistcs' and 'Exchange of Technology and Know-how' (ETK-NTTS'01), s. 473-481.
• Malerba D., Esposito F., Monopoli M. (2002), Comparing Dissimilarity Measures for Probabilistic Symbolic Objects, [w:] A. Zanasi, C.A. Brebbia, N.E.F. Ebecken, P. Meli (Eds.), WIT Press Southampton UK, "Data Mining III, Series Management Information Systems" vol. 6, s. 31-40.
• Walesiak M. (1996), Metody analizy danych marketingowych, PWN, Warszawa.