dc.contributor.author | Pełka, Marcin | |
dc.date.accessioned | 2012-04-16T15:20:16Z | |
dc.date.available | 2012-04-16T15:20:16Z | |
dc.date.issued | 2010 | |
dc.identifier.issn | 0208-6018 | |
dc.identifier.uri | http://hdl.handle.net/11089/350 | |
dc.description.abstract | Reguła kNN (k Nearest Neighbours) została zaproponowana w pracy (Fix E., Hodges J. L.
[1951]) i jest jednym z najlepszych klasyfikatorów dla danych w ujęciu klasycznym. W najprost-
szym ujęciu metoda k-najbliższych sąsiadów polega na tym, że klasyfikowany obiekt jest
zaliczany do klasy najliczniej reprezentowanej wśród jego k „najbliższych sąsiadów”. Jeżeli w tej
samej odległości, co k-ty „sąsiad” znajdą się jeszcze inne elementy, to wszyscy ci „sąsiedzi” biorą
udział w głosowaniu.
W artykule zaprezentowano adaptację metody KNN dla danych symbolicznych, którą za-
proponował zespół pod kierownictwem D. Malerby (por. Malerba i in. [2004]). Badania przepro-
wadzono na danych symbolicznych w różnych modelach (generowanych za pomocą procedury
cluster. Gen z pakietu clusterSim dla programu R). Modele te zawierały znaną liczbę klas.
Dodatkowo do każdego modelu dodano różną liczbę zmiennych zakłócających i wartości
odstających, które zniekształcają oryginalną strukturę klas. | pl_PL |
dc.language.iso | en | pl_PL |
dc.publisher | Wydawnictwo Uniwersytetu Łódzkiego | pl_PL |
dc.relation.ispartofseries | Acta Universitatis Lodziensis, Folia Oeconomica; | |
dc.title | K-nearest neighbour classification for symbolic data | pl_PL |
dc.type | Article | pl_PL |
dc.page.number | 171-176 | |
dc.contributor.authorAffiliation | Uniwersytet Ekonomiczny we Wrocławiu; Wydział Ekonomii, Zarządzania i Turystyki; Katedra Ekonometrii i Informatyki | |
dc.references | Bock h.H., Diday E. (Eds.)(200), Analysis of symbolic data, Explanatory methods for extracting statistical information from complex data, Springer Verlag, Berlin. | |
dc.references | Fix E., Hodges J.L.(1951), Discriminatory analysis- nonparametric discrimination : consistency statistical information from complex data, Springer Verlag, Berlin. | |
dc.references | Ichnio M., Yaguchi H.(1994), Generalized Minkowski Metrics for Mixed Feature -type Data Analysis IEEE Transactions on Systems, Man and Cybernetics, vol. 24 .no 4, 698-707. | |
dc.references | Malerba D., Espozito F., Giovalle V., Tamma V.(2001), Comparing dissimilarity Measures for Symbolic Data analysis, New Techniques and Technologies for Statistics(ETK_NTTS`01), 473-481. | |
dc.references | Malerba D., Espozito F.,D`Amato C., Appice A.(2004), K-nearest neighbor classification for symbolic objects[in:] P. Brito M. Noirhomme-Fraiture (ed), Symbolic and spatial data analysis: mining complex data structures, University of Pisa, Pisa, 19-30. | |