Klasyfikacja danych - przegląd wybranych metod

• Autorzy: Fatyga P. , Podraza R.

Warianty tytułu

EN

Comparison of data classification methods

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia zagadnienie tworzenia klasyfikacji danych oraz dokonuje przeglądu kilku popularnych metod wyznaczania klasyfikacji takich jak: teoria zbiorów przybliżonych, wzorce wyłaniające się czy maszyny wektorów podpierających, pokrótce omawiając mechanizmy matematyczne będące podstawą każdego z klasyfikatorów. W ramach pracy porównana jest efektywność poszczególnych metod dla różnych zadań (zbiory małe/duże, klasyfikacja dwu/wieloklasowa), jak również przeprowadzana jest częściowa analiza uzyskanych wyników. Na tej podstawie zarysowane są charakterystyki danych, dla których określone metody uzyskują najlepsze wyniki.

EN

This paper describes the problem of data classifications and reviews some classification methods such as Emerging Patterns, Support Vector Machines or Rough Sets. It introduces a brief summary of the main concepts of each method and tries to compare the classifiers' performance for various tasks (small and large data sets, bi- and multi-class classification etc.). Based on the results a partial analysis is being done and characteristics of each classifier are outlined.

Słowa kluczowe

PL

klasyfikacja danych; teoria zbiorów przybliżonych

EN

data classification; emerging patterns

• Wydawca: Wydział Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału ETI Politechniki Gdańskiej. Technologie Informacyjne
• Rocznik: 2010
• Tom: T. 19
• Strony: 55--60
• Opis fizyczny: Bibliogr. 6 poz., tab.

Twórcy

autor

Fatyga P.

autor

Podraza R.

• Politechnika Warszawska Instytut Informatyki

Bibliografia

• [1] Podraza R.: Credibility Coefficients in Hybrid Artificial Intelligence Systems, In E. Corchado et al. (Eds.), Hybrid Artificial Intelligence Systems, Lecture Notes in Artificial Intelligence LNAI 5572, Springer-Verlag, Berlin, Heidelberg 2009, s. 187–194, (Proc. 4th International Conference, HAIS 2009, Salamanca, Spain, June 2009).
• [2] Dong G., Li J.: Efficient Mining of Emerging Patterns: Discovering Trends and Differences, Proceedings of the SIGKDD (5th ACM International Conference on Knowledge Discovery and Data Mining), 1999.
• [3] Dong G, Zhang X., Wong L., Li J.: CAEP: Classification by Aggregating Emerging Patterns, Proc. of 2nd International Conference on Discovery Science, Tokyo, Japan, 1999, s. 30–42.
• [4] Cristianini N., Shawe-Taylor J.: An Introduction to Support Vector Machines and Other Kernel-based Learning Methods, Cambridge University Press, Cambridge, 2000.
• [5] Boser B.E., Guyon I.M., Vapnik V.N.: A Training Alogrithm for Optimal Margin Classifiers, Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory, ACM Press, Pittsburgh, 1992.
• [6] Pawlak Z.: Rough Sets. Theoretical Aspects of Reasoning about Data, Kluwer, 1991.
• [7] Skowron A.: Extracting Laws from Decision Tables: A Rough Set Approach, Computational Intelligence, 1995, 11.