Comparative analysis of clustering algorithms implemented in IBM Intelligent Miner, Oracle91 Data Mining and Microsoft Analysis Services

• Autorzy: Gorawski M. , Płuciennik E.

Warianty tytułu

PL

Analiza porównawcza algorytmów klasteryzacji zaimplementowanych w IBM Intelligent MIner, Oracle91 Data MIning and Microsoft Analysis Services

• Języki publikacji: EN

Abstrakty

EN

Current database systems development forces applying new information processing technologies. One of them is data mining, composed, among the others, of classification, clustering and association rules. So far, this technology has no generał valid standards. Clustering is a special case of data mining - often it is an initial stage for applying other information analyses. In this article we present short comparison of clustering algorithms implemented in commercial tools produced by companies, which arę very active in discovering new methods in the area of information processing.

PL

Obecny rozwój systemów baz danych wymusza stosowanie nowych technik przetwarzania informacji. Jedną z nich jest eksploracja danych, na którą składają się m.in. klasyfikacja, klasteryzacja czy reguły asocjacji. Technika ta jak do tej pory nie doczekała się ogólnie obowiązujących standardów. Klasteryzacja jest szczególnym przypadkiem eksploracji danych - często stanowi ona etap wyjściowy do stosowania pozostałych technik analizy informacji. Niniejszy artykuł przedstawia krótkie porównanie algorytmów klastrujących, zaimplementowanych w komercyjnych narzędziach firm, które bardzo aktywnie działają w obszarze nowych sposobów przetwarzania danych.

Słowa kluczowe

EN

data mining; database; clustering

PL

eksploracja danych; bazy danych; klasteryzacja

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2004
• Tom: Vol. 25, nr 1
• Strony: 91--107
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Gorawski M.

• Politechnika Śląska, Instytut Informatyki, ul. Akademicka 16, 44-101 Gliwice, Polska

autor

Płuciennik E.

• Politechnika Śląska, Instytut Informatyki, ul. Akademicka 16, 44-101 Gliwice, Polska

Bibliografia

• 1. Bradley P., Fayyad U., Reina C.: Scalling EM Clustering to Large Databases, Technical Report, Microsoft Research, 1999.
• 2. Chen M., Han J., Yu P.: Data Mining: An Overview from Database Perspective, IEEE Trans. On Knowledge And Data Engineering, 1996.
• 3. Dash M., Choi K., Scheuermann P., Liu H.: Feature Selection for Clustering - A Filter Solution, IEEE International Conference on Data Mining, 2002.
• 4. Estivill-Castro V.: Why so many clustering algorithms - A Position Paper, SIGKDD Explorations, Vol.4, Issue 1 (65-75), 2002.
• 5. Gorawski M.: Ocena efektywności architektur OLAP, V Krajowa Konferencja Inżynieria Oprogramowania, Wrocław 2003.
• 6. Kolatch E.: Clustering Algorithms for Spatial Databases: A Survey, University of Maryland, 2001.
• 7. Kramer M.: A Comparison of Business Intelligence Strategies and Platforms, Green Hill Analysis, 2002.
• 8. Milenowa B., Campos M.M.: O-Cluster: Scalable Clustering of Large High Dimensional Data Sets, Oracle Data Mining Technologies, 2002.
• 9. Oracle 9i Data Mining Concepts, Release 2 (9.2), 2002.
• 10. Ray S., Turi R.H.: Determination of Number of Clusters in K-Means Clustering and Application in Colour Image Segmentation, Monash University, 1999.
• 11. Soni S., Tang Z.,Yang J.: Performance Study of Microsoft Data Mining Algorithms, Microsoft Corporation, 2001.
• 12. Świerzowicz J.: Impact of data mining standarization on information technology development, Studia Informatica 2003, Vol.24, Nr 2A (53).
• 13. Using the Intelligent Miner for Data, Version 8 Release 1, IBM, 2002.