PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Separable data aggregation by layers of elementary classifiers

Autorzy
Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Separowalna agregacja danych w warstwach klasyfikatorów elementarnych
Języki publikacji
EN
Abstrakty
EN
Data exploration or data mining goals can be reached by using variety of methods such as the fuzzy set theory or the rough sets theory. An interesting group of data exploration methods is based on minimization of convex and piecewise linear (CPL) criterion functions. This method originated from the theory of neural networks (multilayer Perceptrons). Powerful methods of data mining based on the support vector machines (SVM) can be also linked to this concept. Hierarchical networks of formal neurons or multivariate decision trees can be induced from learning sets through minimization CPL criterion functions specified for classification problem. Another type of the CPL criterion functions can be used for designing visualizing data transformations. Separability of the transformed learning sets is a fundamental concept in the CPL approach to designing data mining tools.
PL
Cele eksploracji danych mogą być osiągnięte przy użyciu różnorodnych metod, takich jak teoria zbiorów rozmytych lub teoria zbiorów przybliżonych. Interesująca grupa metod eksploracji danych bazuje na minimalizacji wypukłych i odcinkowo-liniowych (CPL) funkcji kryterialnych. Metody te wywodzą się z teorii sieci neuropodobnych (wielowarstwowy perceptron). Do tej grupy mogą być także zaliczone silne obliczeniowo metody eksploracji danych bazujące na maszynach wektorów podpierających (SVM). Hierarchiczne sieci neuronów formalnych lub wielowymiarowe drzewa decyzyjne mogą być zbudowane na podstawie zbiorów uczących poprzez minimalizację funkcji kryterialnych typu CPL dostosowanych do problemu klasyfikacji. Inny typ funkcji kryterialnych CPL może być użyty do projektowania wizualizacyjnych transformacji danych. Podstawą w omawianym podejściu CPL do projektowania narzędzi eksploracji danych jest separowalność transformowanych zbiorów uczących.
Rocznik
Tom
Strony
19--37
Opis fizyczny
Bibliogr. 8 poz., rys.
Twórcy
autor
  • Białystok Technical University, Faculty of Computer Science
Bibliografia
  • [1] Duda, O.R., Heart, P.E., Stork D.G.: Pattern Classification, Wydanie drugie, zmienione, John Wiley & Sons, 2001.
  • [2] Fukunaga, K.: Introduction to Statistical Pattern Recognition, Academic Press 1990.
  • [3] Vapnik, V.N.: Statistical Learning Theory, J. Wiley, New York 1998.
  • [4] Rosenblatt, F.: Principles of neurodynamics, Spartan Books, Washington 1962.
  • [5] Bobrowski, L.: Piecewise-Linear Classifiers, Formal Neurons and separability of the Learning Sets, Proceedings of ICPR’96, pp. 224-228, (13th International Conference on Pattern Recognition", August 25-29, 1996, Wienna, Austria).
  • [6] Bobrowski, L,: Design of piecewise linear classifiers from formal neurons by some basis exchange technique, Pattern Recognition, 24(9), pp. 863-870, 1991.
  • [7] Bobrowski, L.: The ranked neuronal networks, Biocybernetics and Biomedical Engineering, Vol. 12, No. 1-4, pp. 61-75, 1992.
  • [8] Bobrowisk, L.: Eksploracja danych oparta na wypukłych i odcinkowo-liniowych funkcjach kryterialnych, Politechnik Białostocka, 2005.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BPB2-0026-0029
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.