BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Migdał-Najman Kamila (Uniwersytet Gdański)
Tytuł
Propozycja hybrydowej metody grupowania dużych zbiorów danych wykorzystującej sieć Kohonena i taksonomiczne metody grupowania
Proposal of Hybrid Clustering Method a Large Datasets Based on Kohonen Neural Network and Taxonomic Methods
Źródło
Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia (14), 2007, nr 1169, s. 305-313, rys., bibliogr. 8 poz.
Tytuł własny numeru
Klasyfikacja i analiza danych - teoria i zastosowania
Słowa kluczowe
Zbieranie danych, Metody grupowania, Sieć Kohonena
Data collection, Grouping methods, Network Kohonena
Uwagi
summ.
Abstrakt
Celem prezentowanych badań jest prezentacja i opis własności dwustopniowej metody grupowania obiektów opartej na powyższej idei. Do wyodrębnienia "prototypów" skupień zostanie użyta sieć neuronowa typu SOM (self organizing map), która wykazuje wysoką zdolność uogólniania podobieństwa obiektów wielowymiarowych, a także redukowania wymiarowości badanego problemu. Dzięki takiej wstępnej analizie zredukowana zostanie liczba obiektów do znacznie mniejszej liczby "prototypowych" skupień. Redukcji także ulegnie przestrzeń cech, ponieważ sieć SOM będzie jedynie dwuwymiarowa. W ten sposób problem wielkości macierzy danych zostanie znacznie zredukowany. (fragment tekstu)

The present article is mainly designed to study the effect of join the hierarchical agglomerative clustering and the Self Organizing Map (SOM). First, the original data set is represented using a smaller set of prototype clusters, which allows efficient use of hierarchical agglomerative clustering to divide the prototypes into groups. The reduction of the computational cost is especially important for hierarchical algorithms allowing clusters of arbitrary size and shape. Second, the 2-D gird allows rough visual presentation, classify original data to clusters and interpretation of the clusters. The clustering results using SOM as an intermediate step was also comparable with the results obtained directly from the data. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Bibliografia
Pokaż
  1. Deboeck G., Kohonen Т. (1998), Visual Explorations in Finance with Self-Organizing Maps, Springer-Verlag, London.
  2. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R. (red.) (2000), Sieci neuronowe, PAN, Akademicka Oficyna Wydawnicza EXIT, Warszawa, s. 183.
  3. Gatnar E., Walesiak M. (red.) (2004), Metody statystycznej analizy wielowymiarowej w badaniach marketingowych, AE, Wrocław, s. 322-329.
  4. Kohonen T. (1997), Self-Organizing Maps, Springer Series in Information Sciences, Springer-Verlag, Berlin Heidelberg, s. 85.
  5. Najman K., Najman K. (2002), Zastosowanie sieci neuronowej typu SOM do wyboru najatrakcyjniejszych spółek na WGPW, "Prace Naukowe AE we Wrocławiu" nr 952, AE, Wrocław, s. 493-499.
  6. Najman K., Najman K. (2002), Zastosowanie sieci neuronowej typu SOM do wyboru najatrakcyjniejszych spółek na WGPW na bazie wskaźników analizy technicznej, Rynek kapitałowy - skuteczne inwestowanie, t. II, Wydawnictwo Naukowe Uniwersytetu Szczecińskiego, Międzyzdroje, s. 403-417.
  7. Najman K., Najman K. (2003), Próba zastosowania sieci neuronowej typu SOM w badaniu przestrzennego zróżnicowania powiatów w Polsce, "Wiadomości Statystyczne" nr 4, s. 72-84.
  8. Vesanto J., Himberg J., Alhoniemi E., Parhankangas J. (2000), SOM Toolbox for Matlab 5, SOM Toolbox Team, Helsinki University of Technology, ESPOO, Finland.
Cytowane przez
Pokaż
ISSN
0324-8445
1505-9332
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu