Dobór miar odległości w hierarchicznych aglomeracyjnych metodach wykrywania wyjątków

• Autorzy: Duraj A. , Krawczyk A.
• Języki publikacji: PL

Abstrakty

PL

Metody wykrywania wyjątków w zbiorach danych dostrzegane jako różnego rodzaju anomalie, powstałe np. z powodu mechanicznego uszkodzenia, zmiany w zachowaniu systemu, czy choćby poprzez naturalny błąd człowieka, są stosowane już od wielu lat. Jak się jednak wydaje, powyżej sformułowany problem badawczy jest bardzo istotny i nadal aktualny. Wykrycie wyjątków stanowi podstawe w procesach podejmowania decyzji. W pracy podany jest krótki przegląd hierarchicznych aglomeracyjnych metod wykrywania wyjątków skupiając się na doborze miar odległości w wymienionych algorytmach.

EN

Data mining is a process of extracting valid, previous unknown, and ultimately comprehensible information for large datasets. One of very interesting problems appearing in scientific investigations are detection of mistakes in files of data, or the detection outlier. Finding the rare instance or the outliers is important in many disciplines and KDD (Knowledge Discovery and Data-Mining) applications. (Determination of measure distance in hierarchical methods of outliers detection).

Słowa kluczowe

PL

wykrywanie wyjątków; metody hierarchiczne; miary odległości

EN

outliers detection; hierarchical methods; measure distance

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2011
• Tom: R. 87, nr 12b
• Strony: 33--36
• Opis fizyczny: Bibliogr. 10 poz., tab., wykr.

Twórcy

autor

Duraj A.

autor

Krawczyk A.

• Politechnika Łódzka, Instytut Informatyki, ul. Wólczańska 215, 90-924 Łóddź,

Bibliografia

• [1] Chen M.-S., Han J., Yu P. S., Data mining: an overview from a database perspective, IEEE Trans. On Knowledge And Data Engineering, 8:866–883, 1996.
• [2] Cichosz P., Systemy uczące się, WNT, Warszawa, 2000.
• [3] Duraj A., Krawczyk A., Finding outliers for large medical datasets, Przegl'd Elektrotechniczny (Electrical Review), ISSN 0033-2097, R. 86 NR 12/2010, pp.188-191
• [4] Fisher D., Iterative optimization and simplification of hierarchical clusterings, Journal of Artificial Intelligence Research, 4, 1996, pp. 147–180.
• [5] Hodge V.J., Austin J., A Survey of Outlier Detection Methodologies, Artificial Intelligence Review, Volume 22, 2004, pp. 85-126
• [6] Jain A. K., Dubes R., Algorithms for Clustering Data, Prentice Hall, New Jersey, 1988
• [7] Jain A. K., Murty M. N., Flynn P. J., Data clustering: a review, ACM Computing Surveys, 31(3):264–323, 1999
• [8] Ng R. T., Han J., Efficient and effective clustering methods for spatial data mining, eds. J. Bocca, M. Jarke, C. Zaniolo, 20th International Conference on Very Large Data Bases, Los Altos, USA, 1994. Morgan Kaufmann Publishers.pp. 144–155.
• [9] Ward J. H., Hierarchical Grouping in Optimize an Objective Function, Journal of the American Statistical Association Vol. 58, 1963;
• [10] Zhang T., Ramakrishnan R., Livny M., BIRCH: an efficient data clustering method for very large databases., ACM SIGMOD International Conference on Management of Data, pp. 103– 114, 1996.