- Autor
- Pełka Marcin (Uniwersytet Ekonomiczny we Wrocławiu)
- Tytuł
- Rozmyta klasyfikacja k-średnich dla danych symbolicznych interwałowych
Fuzzy c-Means Clustering for Symbolic Data - Źródło
- Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia (17), 2010, nr 107, s. 190-196, tab., bibliogr. 10 poz.
Research of Wrocław University of Economics - Tytuł własny numeru
- Klasyfikacja i analiza danych - teoria i zastosowania
- Słowa kluczowe
- Metoda k-średnich, Klasyfikacja, Badania empiryczne
K-means methods, Classification, Empirical researches - Uwagi
- streszcz., summ.
- Abstrakt
- Artykuł przedstawia adaptacyjną i nieadaptacyjną klasyfikację k-średnich dla danych symbolicznych. Obydwie te metody znajdują zastosowanie wyłącznie dla interwałowych zmiennych symbolicznych. W artykule przedstawiono także typy zmiennych symbolicznych.W części empirycznej zastosowano nieadaptacyjną klasyfikację A-średnich dla przykładowych danych symbolicznych.(abstrakt oryginalny)
This paper introduces adaptive and non-adaptive fuzzy c-means clustering methods for symbolic data. Both methods are suitable only for interval-valued symbolic data! The article also presents types of symbolic variables. In the empirical part of the paper, non-adaptive fuzzy c-means clustering method was applied to exemplary symbolic data. (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 - Pełny tekst
- Pokaż
- Bibliografia
-
- Bezdek J.C., Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York 1981.
- Bock H.-H., Diday E. (red.), Analysis of Symbolic Data. Explanatory Methods for Extracting Statistical Information from Complex Data, Springer-Verlag, Berlin-Heidelberg 2000.
- De Carvalho F.A.T., Fuzzy c-means clustering methods for symbolic interval data, "Pattern Recognition Letters" 2007 vol. 28, Issue 4, s. 423-437.
- Dunn J.C., A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters, "Journal of Cybernetics" 1973 no 3, s. 32-57.
- El-Sonbaty Y., Ismail M.A., Fuzzy clustering for symbolic data, "IEEE Transactions on FUZZY Systems" 1998 vol. 6, no 2, s. 195-204.
- Lasek M., Data mining. Zastosowanie w analizach i ocenach klientów bankowych. Biblioteka Menedżera i Bankowca, Warszawa 2002.
- Milligan G.W., Clustering Validation: Results and Implications for Applied Analyses, [w:] Clustering and Classification, P. Arabie, L.J. Hubert, G. de Soete (red.), World Scientific, Singapore 1996, s.341-375.
- Pełka M., Porównanie strategii klasyfikacji danych symbolicznych, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu (w druku), 2009.
- Verde R., Clustering Methods in Symbolic Data Analysis, [w:] Classification, Clustering and I Mining Applications, D. Banks, L. House, E.R. McMorris, P. Arabie, W. Gaul (red.), Springer-Verlag, Heidelberg 2004, s. 299-317.
- Yang M.S., Hwang P.Y., Chen D.H., Fuzzy clustering algorithms for mixed feature variables, "Fuzzy Sets and Systems" 2004 vol. 141, Issue 2, s. 301 -317.
- Cytowane przez
- ISSN
- 1899-3192
1505-9332 - Język
- pol
