BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Pełka Marcin (Uniwersytet Ekonomiczny we Wrocławiu)
Tytuł
Podejście wielomodelowe w analizie danych symbolicznych - metoda bagging
Ensemble Learning For Symbolic Data With Application Of Bagging
Źródło
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia (18), 2011, nr 176, s. 375-382, bibliogr. 10 poz
Research of Wrocław University of Economics
Tytuł własny numeru
Klasyfikacja i analiza danych - teoria i zastosowania
Słowa kluczowe
Analiza danych
Data analysis
Uwagi
streszcz., sum.
Abstrakt
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)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Bibliografia
Pokaż
  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.
Cytowane przez
Pokaż
ISSN
1899-3192
1505-9332
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu