Applying cluster analysis to feature selection for data classification

• Autorzy: Klepaczko A.

Warianty tytułu

PL

Zastosowanie algorytmów analizy skupień do selekcji cech dla zadań klasyfikacji wektorów danych

• Języki publikacji: EN

Abstrakty

EN

Data classification is one of the most common tasks irwestigated within the artificial intelligence framework. Its accuracy depends on relevancy of features used to describe the classified objects. However, the fact, which features (among the all measured ones) convey significant information enabling to discriminate the data classes, is known only when feature selection is performed. The paper describes a feature selection method that is capable of solving the problem in an unsuperyised learning mode.

PL

W pracy przedstawiono nową metodę nienadzorowanej selekcji cech. Proponowane podejście zakłada, że wektory danych tworzą w przestrzeni cech znaczących klastry dobrej jakości. Jako miarę jakości klasteryzacji wybrano uśredniony współczynnik kształtu z uwagi na fakt, iż miara ta jest niezależna od położeń centrów klastrów wyznaczanych w procedurze grupowania. Drugim kluczowym elementem opracowanej metody jest tzw. hybrydowy algorytm genetyczny - stratega przeszukiwania przestrzeni cech. Algorytm ten łączy zalety strategii losowych oraz sekwencyjnych. Z jednej strony zachowuje on zdolność do ucieczki z optimum lokalnego optymalizowanej funkcji, z drugiej zaś pozwala kontrolować do pewnego stopnia kierunek poszukiwań. Mechanizm ten zapewnia dużą prędkość zbieżności w pobliżu najlepszego rozwiązania.

Słowa kluczowe

EN

feature selection; hybrid genetic algorithm; clustering; average silhouette value; applying cluster analysis

PL

selekcja cech; hybrydowy algorytm genetyczny; klasteryzacja; uśredniony współczynnik kształtu; algorytm analizy skupień

• Wydawca: Wydawnictwo Politechniki Łódzkiej
• Czasopismo: Zeszyty Naukowe. Elektryka / Politechnika Łódzka
• Rocznik: 2007
• Tom: z. 111
• Strony: 55--63
• Opis fizyczny: Bibliogr. 8 poz.

Twórcy

autor

Klepaczko A.

• Technical University of Łódź, Institute of Electronics

Bibliografia

• [1] Brodatz P.: Textures - A Photographic Album for Artists and Designers, New York, 1966.
• [2] Dash M., Liu H.: Feature Selection for Classification, Intelligent Data Analysis, vol. 1,3,131-156, 1997.
• [3] Dy J.G., Brodley C.E.: Feature Selection for Unsupervised Learning, Journal of Machine Learning Research, vol. 5, 845-889, 2004.
• [4] Kim Y.S., Street W.N., Menczer F.: Evolutionary model selection in unsupendsed learning, Intelligent Data Analysis, vol. 6, 531-556, 2002.
• [5] Kohavi R., John G.H.: Wrappers for feature subset selection, Artificial Intelligence, vol. 1-2, 273-324, 1997.
• [6] Law M.H.C., Figueiredo M.A.T., Jain A.K.: Simultaneous Feature Selection and Clustering Using Mixture Models, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 26, 9, 1154-1166, 2004.
• [7] Oh I.S., Lee J.S., Moon B.R.: Hybrid Genetic Algorithms for Feature Selection, IEEE Trans. PAMI, vol. 26, 11, 1424-1437, 2004.
• [8] Struyf A., Hubert M., Rousseeuw P.J.: Integrating robust clustering techniques in S-PLUS, Computational Statistics & Data Analysis, vol. 26, 17-37, 1997.