Porównanie stabilności zagregowanych algorytmów taksonomicznych opartych na macierzy współwystąpień

• Autorzy: Dorota Rozmus

Warianty tytułu

Comparison of Stability of Cluster Ensembles Based on Co-Occurence Data

• Języki publikacji: PL

Abstrakty

Podejście zagregowane (wielomodelowe) dotychczas z dużym powodzeniem stosowane było w dyskryminacji w celu podniesienia dokładności klasyfikacji. W ostatnich latach analogiczne propozycje pojawiły się w taksonomii, aby zapewnić większą poprawność i stabilność wyników grupowania. Stabilność algorytmu taksonomicznego w odniesieniu do niewielkich zmian w zbiorze danych czy też parametrów algorytmu jest pożądaną cechą algorytmu. Głównym celem artykułu jest porównanie stabilności zagregowanych algorytmów taksonomicznych opartych na macierzy współwystąpień oraz zbadanie relacji, jakie zachodzą między stabilnością a dokładnością.(abstrakt oryginalny)

EN

Ensemble approach has been successfully applied in the context of supervised learning to increase the accuracy and stability of classification. Recently, analogous techniques for cluster analysis have been suggested in order to increase classification accuracy, robustness and stability of the clustering solutions. The stability of a clustering algorithm with respect to small perturbations of data or parameters of the algorithm is a desirable quality of the algorithm. In the article we look at the stability of the ensemble methods. This paper carries out an experimental study to compare the stability of cluster ensembles based on co-occurrence matrix and it also looks at the relationship between stability and accuracy measures.(original abstract)

Słowa kluczowe

PL

Macierze; Taksonomia

EN

Matrix; Taxonomy

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2011
• Tom: 18
• Numer: nr 176 Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 212--220

Twórcy

autor

Dorota Rozmus

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Bezdek J.C., Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York 1981.
• Breiman L., Bagging predictors, "Machine Learning" 1996, 26(2), s. 123-140.
• Fern X.Z., Brodley C.E., Random Projection for High Dimensional Data Clustering: A Cluster Ensemble Approach, Proceedings of the 20th International Conference of Machine Learning, Washington 2003, s. 186-193.
• Fred A., Finding Consistent Clusters In Data Partitions, [w:] F. Roli, J. Kittler (red.), Proceedings of the International Workshop on Multiple Classifier Systems, Cagliari 2002, 309-318.
• Fred A., Jain A.K., Data Clustering Using Evidence Accumulation, Proceedings of the 16th International Conference on Pattern Recognition , ICPR, Canada, 2002, s. 276-280.
• Freund Y., Boosting a Weak Learning Algorithm by Majority, Proceedings of the 3rd Annual Workshop on Computational Learning Theory, Rochester 1990, s. 202-216.
• Kaufman L., Rousseeuw P.J., Finding Groups in Data: An Introduction to Cluster Analysis, Wiley, New York 1990.
• Kuncheva L.I., Hadjitodorov S.T., Todorova L.P., Experimental comparison of cluster ensemble methods, Proceedings of the 19th International Conference on Information Fusion, Florence 2006, s. 1-7.
• Kuncheva L., Vetrov D., Evaluation of stability of k-means cluster ensembles with respect to random initialization, "IEEE Transactions on Pattern Analysis and Machine Intelligence" 2006, vol. 28, no. 11, s. 1798-1808.
• Pekalska E., Duin R.P.W., Classifiers for dissimilarity-based pattern recognition, A. Sanfeliu, J.J. Villanueva, M. Vanrell, R. Alquezar, A.K. Jain, J. Kittler J. (red.), Proceedings of the 15th International Conference on Pattern Recognition, IEEE Computer Society, Press, Los Alamitos 2000, s. 12-16.
• Strehl A., Ghosh J., Cluster ensembles - A knowledge reuse framework for combining multiple partitions, "Journal of Machine Learning Research" 2002, 3, s. 583-618.