Search results

1

The comparison of model-based clustering with heuristic clustering methods

100%

Witek E., Uniwersytet Ekonomiczny w Katowicach; Wydział Zarządzania; Katedra Statystyki

Acta Universitatis Lodziensis. Folia Oeconomica

|

2011

|

vol. 255

PL

Najczęściej w różnych analizach statystycznych wykorzystywane są klasyczne metody analizy skupień, opierające się na podejściu heurystycznym. W referacie zaprezentowane zostanie podejście modelowe w analizie skupień (model-based clustering), bazujące na modelach probabilistycznych. W części empirycznej referatu podejście to zostanie porównane z klasycznymi metodami taksonomicznymi (metodami hierarchicznymi oraz metodami iteracyjno- aglomeracyjnymi).

2

An application of mixture models in clustering of the European Union countries

100%

Witek E., Uniwersytet Ekonomiczny w Katowicach; Wydział Zarządzania; Katedra Statystyki

Acta Universitatis Lodziensis. Folia Oeconomica

|

2010

|

vol. 235

PL

Modele mieszanek, których składowe charakteryzowane są przez rozkłady prawdo- podobieństw (tzw. rozkłady składowe mieszanki) już od dawna znajdują swoje zastosowanie w taksonomii. Wedel i Kamakura (1995) przedstawili pojęcie modelu mieszanek w szerszym ujęciu – rozkłady składowe określone są za pomocą funkcji regresji lub uogólnionych modeli liniowych (GLM). Modele te znajdują zastosowanie przede wszystkim w badaniach marketingo- wych. W artykule przedstawiono charakterystykę modeli mieszanek, sposobów estymacji jej parametrów, wyboru stosownej liczby składników mieszanki, a także przykład wykorzystania modeli mieszanek do klasyfikacji krajów Unii Europejskiej.

3

On an Improvement of the Model-Based Clustering Method

100%

Witek E., ent. Department of Statistics T. K. A. U. o. E.

Acta Universitatis Lodziensis. Folia Oeconomica

|

2009

|

vol. 228

PL

W artykule przedstawiona została modyfikacja metody taksonomii opartej na modelach mieszanych, w przypadku gdy niemożliwym staje się oszacowanie parametrów modelu za pomocą algorytmu EM. Gdy liczba obiektów przypisanych do klasy jest mniejsza niż liczba zmiennych opisujących te obiekty, niemożliwym staje się oszacowanie parametrów modelu. By uniknąć tej sytuacji estymatory największej wiarygodności zastępowane są estymatorami o największym prawdopodobieństwie a posteriori. Wybór modelu o najlepszej parametryzacji i stosownej liczbie klas dokonywany jest wówczas za pomocą zmodyfikowanej statystyki BIC.

EN

An improvement o f the model-based clustering (MBC) method in the case when EM algorithm fails as a result o f singularities is the basic aim o f this paper. Replacement o f the maximum likelihood (MLE) estimator by a maximum a posteriori (MAP) estimator, also found by the EM algorithm is proposed. Models with different number o f components are compared using a modified version o f BIC, where the likelihood is evaluated at the MAP instead o f MLE. A highly dispersed proper conjugate prior is shown to avoid singularities, but when these are not present it gives similar results to the standard method o f MBC.

Refine search results

3 Acta Universitatis Lodziensis. Folia Oeconomica

3 Witek E.

2 Uniwersytet Ekonomiczny w Katowicach; Wydział Zarządzania; Katedra Statystyki

1 ent. Department of Statistics T. K. A. U. o. E.

1 2011

1 2010

1 2009

The comparison of model-based clustering with heuristic clustering methods

An application of mixture models in clustering of the European Union countries

On an Improvement of the Model-Based Clustering Method