Pokaż uproszczony rekord

dc.contributor.authorRozmus, Dorota
dc.date.accessioned2017-04-04T09:25:27Z
dc.date.available2017-04-04T09:25:27Z
dc.date.issued2016
dc.identifier.issn0208-6018
dc.identifier.urihttp://hdl.handle.net/11089/21141
dc.description.abstractHigh 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.en_GB
dc.description.abstractStosowanie 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.pl_PL
dc.language.isoenen_GB
dc.publisherWydawnictwo Uniwersytetu Łódzkiegoen_GB
dc.relation.ispartofseriesActa Universitatis Lodziensis. Folia Oeconomica;322
dc.subjectclusteringen_GB
dc.subjectaccuracyen_GB
dc.subjectdistance clustering methoden_GB
dc.subjectcluster ensembleen_GB
dc.subjectgrupowaniepl_PL
dc.subjectdokładnośćpl_PL
dc.subjectmetoda odległości probabilistycznejpl_PL
dc.subjectpodejście zagregowane w taksonomiipl_PL
dc.titleComparison of the Accuracy of the Probabilistic Distance Clustering Method and Cluster Ensemblesen_GB
dc.title.alternativePorównanie dokładności metody odległości probabilistycznej i podejścia zagregowanego w taksonomiipl_PL
dc.typeArticleen_GB
dc.rights.holder© Copyright by Uniwersytet Łódzki, Łódź 2016en_GB
dc.page.number[63]-70
dc.contributor.authorAffiliationUniversity of Economics in Katowice, Faculty of Finance and Insurance, Department of Economic and Financial Analysis
dc.identifier.eissn2353-7663
dc.referencesBen-Israel A., Iyigun C. (2008), Probabilistic d-clustering, “Journal of Classification”, 25(1), pp. 5–26.pl_PL
dc.referencesDudoit S., Fridlyand J. (2003), Bagging to improve the accuracy of a clustering procedure, “Bioinformatics”, vol. 19, no. 9, pp. 1090–1099.pl_PL
dc.referencesFred A., Jain A. K. (2002), Data clustering using evidence accumulation, “Proceedings of the Sixteenth International Conference on Pattern Recognition”, pp. 276–280.pl_PL
dc.referencesHornik K. (2005), A CLUE for CLUster ensembles, “Journal of Statistical Software”, 14, pp. 65–72.pl_PL
dc.referencesLeisch F. (1999), Bagged clustering, “Adaptive Information Systems and Modeling in Economics and Management Science”, Working Papers, SFB, 51.pl_PL
dc.contributor.authorEmaildrozmus@ue.katowice.pl
dc.identifier.doi10.18778/0208-6018.322.07
dc.relation.volume3en_GB
dc.subject.jelC38


Pliki tej pozycji

Thumbnail

Pozycja umieszczona jest w następujących kolekcjach

Pokaż uproszczony rekord