Comparison of the Accuracy of the Probabilistic Distance Clustering Method and Cluster Ensembles

• Authors: Dorota Rozmus

Title variants

Porównanie dokładności metody odległości probabilistycznej i podejścia zagregowanego w taksonomii

• Languages of publication: EN

Abstracts

EN

High accuracy of results is a very important aspect in any clustering problem t determines the effectiveness of decisions based on them. Therefore, literature proposes methods and solutions that aim to give more accurate and stable results than traditional clustering algorithms (e.g. k-means or hierarchical methods). Cluster ensembles (Leisch 1999; Dudoit, Fridlyand 2003; Hornik 2006; Fred, Jain 2002) or the distance clustering method (Ben-Israel, Iyigun 2008) are the examples of such solutions. Here, we carry out an experimental study to compare the accuracy of these two approaches.

PL

Stosowanie metod taksonomicznych w jakimkolwiek zagadnieniu grupowania wymaga jednocześnie zapewnienia wysokiej dokładności wyników podziału. Ona bowiem warunkuje skuteczność wszelkich decyzji podjętych na podstawie uzyskanych rezultatów. Dlatego też w literaturze wciąż proponowane są nowe rozwiązania, których zadaniem jest poprawa dokładności grupowania w stosunku do tradycyjnie stosowanych metod (np. k-średnich, hierarchicznych). Przykładami mogą tu być metody polegające na zastosowaniu podejścia zagregowanego (Leisch 1999; Dudoit, Fridlyand 2003; Hornik 2006; Fred, Jain 2002), czy niedawno zaproponowana metoda odległości probabilistycznej (Ben-Israel, Iyigun 2008).Głównym celem artykułu jest porównanie dokładności omawianej metody z dokładnością podejścia zagregowanego w taksonomii.

Keywords

EN

clustering; accuracy; distance clustering method; cluster ensemble

PL

grupowanie; dokładność; metoda odległości probabilistycznej; podejście zagregowane w taksonomii; grupowanie; dokładność; metoda odległości probabilistycznej; podejście zagregowane w taksonomii

• Publisher: Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
• Journal: Acta Universitatis Lodziensis. Folia Oeconomica
• Year: 2016
• Volume: 3
• Issue: 322

Dates

published

2016-12-08

Contributors

author

Dorota Rozmus

• University of Economics in Katowice, Faculty of Finance and Insurance, Department of Economic and Financial Analysis

References

• Ben-Israel A., Iyigun C. (2008), Probabilistic d-clustering, “Journal of Classification”, 25(1), pp. 5–26.
• Dudoit S., Fridlyand J. (2003), Bagging to improve the accuracy of a clustering procedure, “Bioinformatics”, vol. 19, no. 9, pp. 1090–1099.
• Fred A., Jain A. K. (2002), Data clustering using evidence accumulation, “Proceedings of the Sixteenth International Conference on Pattern Recognition”, pp. 276–280.
• Hornik K. (2005), A CLUE for CLUster ensembles, “Journal of Statistical Software”, 14, pp. 65–72.
• Leisch F. (1999), Bagged clustering, “Adaptive Information Systems and Modeling in Economics and Management Science”, Working Papers, SFB, 51.

Identifiers

DOI

10.18778/0208-6018.322.07