Nieparametryczne metody rozpoznawania obrazów i ich zastosowania

• Autorzy: Małgorzata Misztal

Warianty tytułu

Nonparametric Pattern Recognition Methods and Their Applications

• Języki publikacji: PL

Abstrakty

Autorka przedstawiła wybrane nieparametryczne metody rozpoznawania obrazów, do których zaliczyć można m.in. algorytmy minimalnoodległościowe (np. najbliższego sąsiada, &-najbliższych sąsiadów, algorytmy oparte na odległościach) oraz algorytmy tworzące drzewa klasyfikacyjne (np. CART, QUEST, CRUISE). Dodatkowo autorka wskazała możliwości aplikacyjne metod nieparametrycznych do rozwiązywania problemów o charakterze decyzyjnym m.in. w diagnostyce medycznej i analizach finansowych.

EN

The primary goal of pattern recognition is to assign an object, represented by a vector of numbers, to one class from the finite set of classes. The aim of the article is to present the results of using selected nonparametric pattern recognition algorithms to solve decision-making problems. The following methods were applied: the nearest neighbour (NN) algorithm, the &-nearest neighbours (&-NN) algorithm, the distance - based (DB) algorithm and classification trees, constructed by recursive partitioning the learning set. In order to compare nonparametric and parametric methods linear classifying functions were also calculated. (original abstract)

Słowa kluczowe

PL

Proces podejmowania decyzji; Służba zdrowia; Analiza finansowa; Algorytmy; Hierarchiczne metody klasyfikacyjne; Metody statystyczne; Materiały konferencyjne

EN

Decision making process; Health service; Financial analysis; Algorithms; Hierarchical classification methods; Statistical methods; Conference materials

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 2003
• Tom: 10
• Numer: nr 988 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 98--108

Twórcy

autor

Małgorzata Misztal

Bibliografia

• Bobrowski L. (1987), Dyskryminacja symetryczna w rozpoznawaniu obrazów. Teoria, algorytmy, zastosowania w komputerowym wspomaganiu diagnostyki medycznej, Ossolineum, Wrocław.
• Breiman L., Friedman J., Olshen R., Stone C. (1984), Classification and Regression Trees, CRC Press, London.
• Cessie S., Houwelingen H.C. (1995), Testing the Fit of a Regression Model via Score Tests in Random Effects Models, Biometrics (1995), Vol. 51, No 2, s. 600-614.
• Domański Cz., Pruska K. (2000), Nieklasyczne metody statystyczne, PWE, Warszawa.
• Gatnar E. (2001), Nieparametryczna metoda dyskryminacji i regresji, PWN, Warszawa.
• Kim H., Loh W.-Y. (2001), Classification Trees With Unbiased Multiway Splits, "Journal of the American Statistical Association 96", s. 598-604.
• Kurzyński M. (1997), Rozpoznawanie obiektów. Metody statystyczne, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• Loh W.-Y., Shih Y.-S. (1997), Split Selection Methods for Classification Trees, Statistica Sinica 7, s. 815-840.