PL EN


2014 | 195 | 141-150
Article title

Problematyka doboru miary odległości w klasyfikacji spektralnej danych symbolicznych

Authors
Content
Title variants
EN
The Problem of Distance Measure Selection for Spectral Clustering of Symbolic Data
Languages of publication
PL
Abstracts
EN
Spectral clustering that was proposed by Ng, Jordan and Weiss, is not in fact a new clustering method, but rather a new way to prepare data set for clustering method. This method uses the idea of spectral decomposition. The main aim of the paper is to present a possibility of application spectral clustering when dealing symbolic data, with a special focus on different distance measures that can be applied for this kind of data. In experiment studies artificial data sets with known cluster structure were obtained with application of clusterSim and mlbench packages of R software. Each data set was clustered 40 times with application of each distance measure applied. Received results were compared with known cluster structure with application of adjusted Rand index.
Year
Volume
195
Pages
141-150
Physical description
Contributors
author
References
  • Analysis of symbolic data. Explanatory methods for extracting statistical information from complex data. Eds. H.-H. Bock, E. Diday. Springer Verlag, Berlin 2000.
  • Dudek A.: Metody analizy danych symbolicznych w badaniach ekonomicznych. Wydawnictwo UE we Wrocławiu, Wrocław 2013.
  • Karatzoglou A.: Kernel methods. Software, algorithms and applications. Rozprawa doktorska. Technische Universität Wien 2006.
  • Leisch F., Dimitriadou E.: mlbench package, 2010, www.r-project.org.
  • Luxburg U. von: A tutorial on spectral clustering. Max Planck Institute for Biological Cybernetics, Technical Report TR-149, 2006.
  • Luxburg U. von, Bousquet O., Belkin M.: Limits of spectral clustering. W: Advances in Neural Information Processing Systems (NIPS) 17. Eds. L. Saul, Y. Weiss, L. Bottou. MIT Press, Cambridge, MA, 2005.
  • Ng A., Jordan M., Weiss Y.: On spectral clustering: Analysis and algorithm. W: Advances in Neural Information Processing Systems 14. Eds. T. Dietterich, S. Becker, Z. Ghahramani. MIT Press, Cambridge 2002.
  • Shorteed S.: Learning in spectral clustering. Rozprawa doktorska. Univeristy of Washington 2006.
  • Verde R.: Clustering methods in symbolic data analysis. W: Classification, Clustering and Data Mining Applications. Eds. D. Banks, L. House, E.R. McMorris, P. Arabie, W. Gaul. Springer-Verlag, Heidelberg 2004.
  • Walesiak M., Dudek A.: clusterSim package, 2013, www.r-project.org.
  • Walesiak M., Dudek A.: Odległość GDM dla danych porządkowych a klasyfikacja spektralna. "Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu" 2009, nr 84.
  • Walesiak M.: Klasyfikacja spektralna a skale pomiaru zmiennych. "Przegląd Statystyczny" 2012, z. 1.
  • Walesiak M.: Metody klasyfikacji. W: Metody statystycznej analizy wielowymiarowej w badaniach marketingowych. Red. E. Gatnar, M. Walesiak. Wydawnictwo AE we Wrocławiu, Wrocław 2004.
  • Walesiak M.: Problemy decyzyjne w procesie klasyfikacji zbioru obiektów. "Prace Naukowe Akademii Ekonomicznej we Wrocławiu" 2004, nr 1010.
  • Walesiak M.: Zagadnienie doboru liczby klas w klasyfikacji spektralnej. "Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu" 2013, nr 278.
Document Type
Publication order reference
Identifiers
ISSN
2083-8611
YADDA identifier
bwmeta1.element.desklight-c773e0c0-3f6f-4f2c-80cc-f5a463c305a8
JavaScript is turned off in your web browser. Turn it on to take full advantage of this site, then refresh the page.