Podziałowe i hierarchiczne algorytmy grupowania danych

• Autorzy: Stąpor K.

Warianty tytułu

EN

Partitional and hierarchical data clustering methods

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono najważniejsze podziałowe oraz hierarchiczne algorytmy grupowania danych. Wśród algorytmów podziałowych omówiono algorytmy oparte na prototypach punktowych oraz liniowych. Przedstawiono algorytmy hierarchiczne dla różnych miar podobieństwa oraz omówiono skrótowo kla-steryzację neuronową wykorzystującą sieć Kohonena.

EN

In this paper the most important partitional and hierarchical data clustering algorithms arę described. Among partitional algorithms those based on point and linear prototypes arę discussed. In hierarchical algorithms different similarity measures arę described. Also, neural network clustering based on Kohonen network is described.

Słowa kluczowe

PL

klasteryzacja; macierz podziału; dendrogram podziału; miara podobieństwa

EN

clustering; partition matrix; dendrogram; similarity measure

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Studia Informatica
• Rocznik: 2004
• Tom: Vol. 25, nr 1
• Strony: 157--170
• Opis fizyczny: Bibliogr. 13 poz., rys.

Twórcy

autor

Stąpor K.

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

Bibliografia

• 1. Bezdek J. C.: Pattern recognition with fuzzy objective function algorithms. Plenum Press, New York 1982.
• 2. Bezdek J. C., et al: Convergence theory for fuzzy c-means: counterexamples and repairs. IEEE Trans. SMC, V.17, No5, 873-877,1987.
• 3. Bezdek J. C: Some new indexes for cluster validity. IEEE Trans. SMC, V. 28, No3,1998.
• 4. Czogała, J. Łęski: Fuzzy and neuro-fuzzy intelligent systems. Physica-Verlag, Heidelberg 2000.
• 5. Duda R., Hart P.: Pattern classification and scene analysis. John Wiley&Sons , New York 1973.
• 6. Gustafson D., Kessel W.: Fuzzy clustering with a fuzzy covariance matrix. Proc. IEEE CDC, San Diego, 761-766,1979.
• 7. Jain A., Dubes R. C.: Algorithms for clustering data. Prentice-Hall, NJ 1988.
• 8. Krishnapuram R., et al.: Fuzzy and possibilistic shell clustering algorithms and their application to boundary detection and surface approximation. Part I. IEEE Trans. Fuzzy Systems, V. 3, No 1,29-43,1995.
• 9. Krishnapuram R., et al.: Fuzzy and possibilistic shell clustering algorithms and their application to boundary detection and surface approximation. Part II. IEEE Trans. Fuzzy Systems, V. 3, No 1,44-60,1995.
• 10. Krishnapuram R., Keller J.: A possibilistic approach to clustering. IEEE Trans. Fuzzy Systems, V 1, No 2,98-110,1993.
• 11. Ng R., Han J.: Very large databases. Proc. VLDB, Berkeley, 144-155,1994.
• 12. Zhang T. et al.: An efficient data clustering method for very large databases. Sigmod, V. 25, No 2, 103-114, 1996.
• 13. Żurada J. et al.: Sztuczne sieci neuronowe. PWN, Warszawa 1997.