BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Pełka Marcin (Uniwersytet Ekonomiczny we Wrocławiu)
Title
Podejście wielomodelowe w analizie danych symbolicznych - metoda bagging
Ensemble Learning For Symbolic Data With Application Of Bagging
Source
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia (18), 2011, nr 176, s. 375-382, bibliogr. 10 poz
Research of Wrocław University of Economics
Issue title
Klasyfikacja i analiza danych - teoria i zastosowania
Keyword
Analiza danych
Data analysis
Note
streszcz., sum.
Abstract
W artykule przedstawiono podstawowe pojęcia związane z metodą bagging oraz metodą k-najbliższych sąsiadów dla danych symbolicznych. Zaprezentowano w nim także możliwość zastosowania podejścia wielomodelowego bagging w metodzie k-najbliższych sąsiadów dla danych symbolicznych. W części empirycznej przedstawiono zastosowanie podejścia wielomodelowego dla danych symbolicznych w przypadku przykładowych zbiorów danych wygenerowanych za pomocą funkcji cluster.Gen z pakietu cluster- Sim w programie R.(abstrakt oryginalny)

The paper presents the most important basic terms of bagging and k-nearest neighbour for symbolic data. The article also presents an application of bagging ensemble for k-nearest neighbour for symbolic data.In the empirical part the application of ensemble learning for symbolic data is presented for some data sets generated by function cluster. Gen from clusterSim package of R software.(original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
The Main Library of Poznań University of Economics and Business
The Main Library of the Wroclaw University of Economics
Bibliography
Show
  1. Bock H.-H., Diday E. (red.), Analysis of Symbolic Data. Exploratory Methods for Extracting Statistical Information From Complex Data, Springer Berlin 2000.
  2. Breiman L., Bagging predictors, "Machine Learning" 1996, vol. 24, s. 123-140.
  3. Fix E., Hodges J.L., Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties. Report 4. Project no. 21-49-004, USAF School of Aviation Medicine, Randolph Field, Texas 1951.
  4. Gatnar E., Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji, Wydawnictwo Naukowe PWN, Warszawa 2008.
  5. Kuncheva L.I., Combining Pattern Classifiers. Methods and Algorithms, Wiley, New Jersey 2004.
  6. Malerba D., D'Amato C., Esposito F., Monopoli M., Extending the K-Nearest Neighbour classification algorithm to symbolic objects, Atti del Convegno Intermedio della Società Italiana di Statistica "Analisi Statistica Multivariata per le scienze economico-sociali, le scienze naturali e la tecnologia", Napoli 2003.
  7. Malerba D., Esposito F., D'Amato C., Appice A., K-Nearest Neighbor classification for symbolic objects, [w:] P. Brito, M. Noirhomme-Fraiture (red.), Symbolic and spatial data analysis: mining complex data structures, University of Pisa, Pisa 2004, s. 19-30.
  8. Malerba D., Esposito F., D'Amato C., Appice A., Classification of symbolic objects: A lazy learning approach, "Intelligent Data Analysis" 2006, vol. 10, no. 4, s. 301-324.
  9. Polikar R., Ensemble based systems in decision making, "IEEE Circuits and Systems Magazine" 2006, vol. 6, no. 3, s. 21-45.
  10. Polikar R., Bootstrap inspired techniques in computational intelligence, "IEEE Signal Processing Magazine" 2007, vol. 24, no. 4, s. 56-72.
Cited by
Show
ISSN
1899-3192
1505-9332
Language
pol
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu