Effectiveness of Symbolic Classification Trees vs. Noisy Variables

• Autorzy: Andrzej Dudek , Marcin Pełka
• Języki publikacji: EN

Abstrakty

EN

In real research problems we usually deal with relevant variables and relevant (noisy) variables. Relevant variables sometimes can not be identified, by for example HINoV method or modified HINoV method. This paper compares effectiveness detection of known class structure with application of symbolic decision trees and symbolic kernel discriminant analysis in situation where we deal with noisy variables. His research was conducted on artificial symbolic data from a variety of models. The models contained known structure of clusters. In addition, the models contained different umber of noisy variables added to obscure the underlying structure. (original abstract)

W rzeczywistych problemach badawczych często oprócz zmiennych istotnych mamy do czynienia ze zmiennymi zakłócającymi (nieistotnymi). Nie zawsze można dokonać wyboru zmiennych istotnych, np. za pomocą metody HINoV, lub zmodyfikowanej metody HINoV. W artykule porównano efektywność wykrywania znanej struktury klas za pomocą drzew klasyfikacyjnych dla obiektów symbolicznych oraz jądrowej analizy dyskryminacyjnej obiektów symbolicznych w sytuacji, gdy mamy do czynienia ze zmiennymi zakłócającymi. Badanie efektywności przeprowadzono na symulowanych danych symbolicznych w różnych modelach. Każdy z modeli zawierał znaną liczbę klas. Dodatkowo do każdego modelu dodano różną liczbę zmiennych zakłócających. (abstrakt oryginalny)

Słowa kluczowe

EN

Classification trees; Simulation; Research efficiency; Decision tree

PL

Drzewa klasyfikacyjne; Symulacja; Badanie efektywności; Drzewo decyzyjne

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2009
• Tom: 228 Multivariate Statistical Analysis : Statistical Inference, Statistical Models and Applications
• Strony: 173--179

Twórcy

autor

Andrzej Dudek

• Wrocław University of Economics, Poland

autor

Marcin Pełka

• Wrocław University of Economics, Poland

Bibliografia

• Billard, L., Diday, E. (2006), Symbolic data analysis. Conceptual statistics and data mining, Wiley, Chichester.
• BockH.-H., Diday Е (Eds.) (2000), Analysis of symbolic data. Explanatory methods for extracting statistical information from complex data, Springer Verlag, Berlin.
• Carmone F.J., Kara, A., Maxwell S. (1999): HINoV: a new method to improve market segment definition by identifying noisy variables, Journal of Marketing Research, November, 36, 501-509.
• Diday E. (2002), An introduction to symbolic data analysis and the SODAS software, Journal of Symbolic Data Analysis, Vol. 1.
• Goldstein M. (1975), Comparison of Some Density Estimate Classification Procedures. Journal of the American Statistical Association, Sep75 Part I, Vol. 70 Issue 351, p666, 4p;
• Hand D.J. (1981), Kernel Discriminant Analysis, Wiley, New York
• 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, 698-707.
• Malerba D., Espozito F, Giovalle V., Tamma V. (2001), Comparing Dissimilarity Measures for Symbolic Data Analysis, New Techniques and Technologies for Statistes (ETK-NTTS'Ol), 473-481.
• Verde R.(2004), Clustering Methods in Symbolic Data Analysis, Classification, Clustering and Data Mining, Berlin-Springer-Verlag, 299-318.