Modified alternative decision rule in the pre-clustering algorithm

• Autorzy: Mosorov V. , Panskyi T. , Biedron S.

Identyfikatory

DOI

10.5604/20830157.1201309

Warianty tytułu

PL

Zmodyfikowana alternatywna reguła decyzyjna w algorytmie wstępnego klastrowania

• Języki publikacji: EN

Abstrakty

EN

In this paper the pre-clustering algorithm with the modified decision rule has been presented. The application of pre-clustering algorithm answers the question whether to carry out the clustering or would it result in the appearance of artificial structure (input data is one cluster and it is unnecessary to divide it). The versatility and simplicity of this algorithm allows using it in a various fields of science and technology. The pros and cons of pre-clustering algorithm have been also considered.

PL

W tej pracy został przedstawiony algorytm wstępnego klastrowania oraz zmodyfikowana alternatywna reguła decyzyjna. Zastosowania algorytmu wstępnego klastrowania odpowiada na pytanie czy potrzebna procedura klastrowania czy spowodowałoby to pojawienia sztucznej struktury (dane wejściowe są jednym klasterem i nie ma potrzeby podziału). Uniwersalność i prostota tego algorytmu pozwala na wykorzystanie go w różnych dziedzinach nauki i techniki. Zalety i wady algorytmu wstępnego klastrowania zostały również rozważone.

Słowa kluczowe

EN

pre-clustering; pre-cluster; decision rule

PL

wstępna klasteryzacja; reguła decyzyjna

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2016
• Tom: nr 2
• Strony: 9--12
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Mosorov V.

• Lodz University of Technology, Institute of Applied Computer Science

autor

Panskyi T.

• Lodz University of Technology, Institute of Applied Computer Science

autor

Biedron S.

• Lodz University of Technology, Institute of Applied Computer Science

Bibliografia

• [1] Aggarwal C.: Data Clustering: Algorithms and Applications 1st Edition, Chapman and Hall, 2013.
• [2] Gan G., Ma C., Wu G.: Data Clustering: Theory, Algorithms and Applications. ASA-SIAM Series on Statistics and Applied Probability, 2007.
• [3] Hofmann M., Klinkenberg R.: RapidMiner: Data Mining Use Cases and Business Analytics Applications, Chapman and Hall/CRC, 2013.
• [4] Jain A., Murthy M.: Flynn P.: Data Clustering: A Review. ACM Computing Surveys (CSUR), 1999.
• [5] Khan M.A.: H Pre-processing for K-means Clustering Algorithm. Senior Projects Spring, 2015.
• [6] Kovács L., Bednarik L.: Parameter Optimization for BIRCH Pre-Clustering Algorithm. 12th IEEE International Symposium on Computational Intelligence and Informatics, 2011.
• [7] Liu Y., Li Zh., Xiong H., Gao X., Wu J.: Understanding of Internal Clustering Validation Measures, IEEE International Conference on Data Mining, 2010.
• [8] McCallum A., Nigam K., Ungar L.H.: Efficient Clustering of High Dimensional Data Sets with Application to Reference Matching, Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining, 169–178.
• [9] Mosorov V., Tomczak L.: Image Texture Defect Detection Method Using Fuzzy C–Means Clustering for Visual Inspection Systems, Arabian Journal for Science and Engineering, 2014.
• [10] Rokach L., Maimon.: Clustering Methods, Data Mining and Knowledge Discovery Handbook, 2005.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.