BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Wilk Justyna (Akademia Ekonomiczna we Wrocławiu)
Title
Hierarchiczne metody klasyfikacji w analizie danych symbolicznych
Hierarchical Clustering Methods in Symbolic Data Analysis
Source
Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia (12), 2005, nr 1076, s. 376-386, rys., tab., zał., bibliogr. 14 poz.
Issue title
Klasyfikacja i analiza danych - teoria i zastosowania
Keyword
Klasyfikacja, Analiza danych
Classification, Data analysis
Note
summ.
Abstract
Różnorodność zmiennych, ich złożony (kompleksowy) charakter i nietypowa struktura powodują utrudnienia w procesie klasyfikacji, dotyczące m.in. wyboru miary odległości i metody analizy. Bock i Diday tego rodzaju zmienne określili jako zmienne symboliczne.
Jak pokazuje praktyka, wiele problemów marketingowych opisuje się za pomocą tego typu zmiennych. W artykule przedstawione zostaną zmienne symboliczne na przykładzie typowych pytań dotyczących preferencji nabywców samochodów osobowych. (fragment tekstu)

The article looks at the types and concepts of symbolic data and then attempts to review the available hierarchical clustering methods (traditional and symbolic) to analyze. Symbolic data were defined and contrasted with classical data and the examples were presented. (original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Library of Warsaw School of Economics
The Main Library of Poznań University of Economics and Business
Bibliography
Show
  1. Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, red. H.H. Bock, E. Diday, Springer Verlag 2000.
  2. Billard L., Diday E., From the Statistics of Data to the Statistic of Knowledge Symbolic Data Analysis, "Journal of the American Statistical Association" czerwiec 2003, vol. 98, nr 462, s. 456-469.
  3. Diday E., An Introduction to Symbolic Data Analysis and The Sodas Softwar "The Electronic Journal of Symbolic Data Analysis", lipiec 2002.
  4. Everitt B.S., Landau S., Leese M., Cluster Analysis, Arnold Publishers, London 2001.
  5. Gatnar E., Symboliczne metody klasyfikacji danych, PWN, Warszawa 1998.
  6. Gordon A.D., Classification, Chapman&Hall/CRC, London 1999.
  7. Jain A.K., Murty M.N., Flynn P.J., Data Clustering: a Review, "ACM Computing Survey", wrzesień 1999, vol. 31, nr 3.
  8. Li C., Biswas G., Conceptual Clustering with Numeric-and-Nominal Mixed Data a New Similarity Based System, "IEEE Transcript on KCE", 1998.
  9. Malerba D., Esposito F., Gioviale V., Tamma V., Comparing Dissimilarity Measures in Symbolic Data Analysis, "Proceedings of the Joint Conferences on: New Techniques and Technologies for Statistics and Exchange of Technology and Know-How (ETK-NTTS'01)" 2001, s. 473-481.
  10. Michalski R.S., Strepp R., Diday E., A Recent Advance in Data Analysis: Clustering Objects into Classes Characterized by Conjunctive Concepts, "Progress in Pattern Recognition", North Holland Publishing Company, vol. 1, Holland 1981.
  11. Ostasiewicz W., Statystyczne metody analizy danych, AE, Wrocław 1999.
  12. Walesiak M., Problemy decyzyjne w procesie klasyfikacji zbioru obiektów, "Prace Naukowe AE we Wrocławiu", nr 1010, AE, Wrocław 2004.
  13. Walesiak M., Metody analizy danych marketingowych, PWN, Warszawa 1996.
  14. Walesiak M., Uogólniona miara odległości w statystycznej analizie wielowymiarowej, AE, Wrocław 2002.
Cited by
Show
ISSN
0324-8445
1505-9332
Language
pol
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu