- Autor
- Trzęsiok Joanna (Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach), Trzęsiok Michał (Akademia Ekonomiczna im. Karola Adamieckiego w Katowicach)
- Tytuł
- Propozycja metody wizualizacji wyników klasyfikacji wspomagającej profilowanie klas
The Proposal of Visualization of Classification Results Supporting Class Description - Źródło
- Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 2009, nr 86, s. 65-74, bibliogr. 5 poz.
- Tytuł własny numeru
- Wizualizacja wyników badań marketingowych : podejścia, metody i zastosowania
- Słowa kluczowe
- Metody klasyfikacyjne, Wizualizacja danych
Classification methods, Data visualisation - Uwagi
- summ.
- Abstrakt
- Metoda wizualizacji wyników klasyfikacji przedstawiona w artykule bazuje na procedurze składającej się z dwóch etapów: 1. W pierwszym etapie dla każdej klasy osobno wyznaczany jest ranking zmiennych ze względu na ich moc dyskryminującą - zdolność do odróżniania obiektów danej klasy od wszystkich innych obserwacji. Przy ocenie siły wpływu poszczególnych zmiennych objaśniających na wynik klasyfikacji wykorzystuje się jedną z metod symulacyjnego przeszukiwania podzbiorów zmiennych - metodę eliminacji. 2. W drugim etapie otrzymane informacje (ranking istotności zmiennych) są w prosty sposób kodowane i przedstawiane w sposób graficzny, umożliwiając badaczowi przeprowadzenie profilowania klas. Zaprezentowane podejście w prosty i intuicyjny sposób łączy wyniki klasyfikacji obiektów z klasyfikacją zmiennych objaśniających. (fragment tekstu)
After building the classification model, at the stage of the class description we try to extract knowledge from the model. We search for the description of classification rules, the natural language. The paper presents the simple algorithm for building the ranking of predictor variables based on their descriptive power (for every class separately) and uses boxplots to enable interpretation and give some insight. The procedure is universal and can be applied to classic or data mining methods. SVMs, Random Forest, Neural Network and k-Nearest Neighbours were used for illustration with R software. (original abstract) - Dostępne w
- Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Biblioteka Główna Uniwersytetu Szczecińskiego - Pełny tekst
- Pokaż
- Bibliografia
-
- Guyon I., Gunn S., Nikravesh M., Zadeh L. (red.), Feature Extraction. Foundations and Applications, Springer, 2006.
- Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning, Springer Verlag, N.Y 2001.
- Rakotomamonjy A., Variable Selection Using SVM-based Criteria, "Journal of Machine Learning Research" 2003 nr 3, s. 1357-1370.
- Trzęsiok M., Metoda wektorów nośnych na tle innych metod wielowymiarowej analizy danych, [w:] Taksonomia 13, Klasyfikacja i analiza danych - teoria i zastosowania, K. Jajuga, M. Walesiak (red.), AE, Wrocław 2006, s. 536-542.
- Walesiak M., Gatnar E. (red.), Statystyczna analiza danych z wykorzystaniem programu R, PWN, Warszawa 2009.
- Cytowane przez
- ISSN
- 1899-3192
- Język
- pol
