Analiza porównawcza struktur hierarchicznych skupień uzyskanych z wykorzystaniem hybrydowych metod grupowania

• Autorzy: Kamila Migdał-Najman

Warianty tytułu

Comparative Analysis of Hierarchical Structures of Clusters Based on Hybrid Clustering Methods

• Języki publikacji: PL

Abstrakty

Celem proponowanych badań jest prezentacja i opis dwustopniowych hybrydowych metod grupowania obiektów w rozpoznaniu hierarchicznej struktury skupień. Badanie zostanie oparte na danych symulacyjnych. Do wyodrębnienia skupień zostanie zastosowana sztuczna sieć neuronowa typu SOM oraz metody optymalizacyjne: k-średnich i k-medoids. Hierarchiczna struktura skupień uzyskanych z wykorzystaniem powyższych metod będzie następnie analizowana klasycznymi metodami aglomeracyjnymi. Sztuczna sieć neuronowa, metoda k-średnich oraz k-medoids nie dają w wyniku grupowania struktury hierarchicznej skupień. Posłużą jednak jako preprocesor, przygotowując dane dla metod aglomeracyjnych. Grupowanie hierarchiczne odbywać się będzie nie na danych pierwotnych, lecz na neuronach sieci, środkach ciężkości czy medoidach. Proponowane podejścia pozwolą na redukcję liczby obiektów do znacznie mniejszej liczby prototypowych skupień. (fragment tekstu)

EN

The article is mainly designed to study the effect of joining the hierarchical agglomerative clustering with the neural network type of SOM (Self Organizing Map), k-means algorithm and k-medoids algorithm. First, the original data set is represented using a smaller set of prototype clusters through neurons SOM, centroids and medoids which allow the efficient use of hierarchical agglomerative clustering to divide the prototypes into groups. The reduction of the computational cost is especially important for hierarchical algorithms allowing clusters of arbitrary size and shape. Second, the hybrid methods allow a rough visual presentation, classify original data to clusters and interpretation of the clusters. The clustering results using hybrid methods as an intermediate step were also comparable with the results obtained directly from the data. (original abstract)

Słowa kluczowe

PL

Analiza porównawcza; Analiza skupień; Modele optymalizacyjne; Metoda sztucznych sieci neuronowych; Metoda k-średnich; Mapa samoorganizująca

EN

Comparative analysis; Cluster analysis; Optimizing models; Artificial neural networks method; K-means methods; Self-Organizing Maps (SOM)

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu. Taksonomia
• Rocznik: 2008
• Tom: 15
• Numer: nr 7 (1207) Klasyfikacja i analiza danych - teoria i zastosowania
• Strony: 264-275

Twórcy

autor

Kamila Migdał-Najman

• Uniwersytet Gdański

Bibliografia

• Deboeck G., Kohonen T. (1998), Visual Explorations in Finance with Self-organizing Maps, Springer-Verlag, London.
• Fowkles E.B., Mallows C.L. (1983), A Method for Comparing Two Hierarchical Clusterings, „Journal of the American Statistical Association", 78.
• Kohonen T. (1997), Self-organizing Maps, Springer Series in Information Sciences, Springer-Verlag, Berlin, Heidelberg, 1997, s. 85.
• Metody statystycznej analizy wielowymiarowej w badaniach marketingowych (2004), red. E. Gatnar, M. Walesiak, AE, Wrocław, s. 322-329.
• Migdał-Najman K. (2006), Ocena wyniku grupowania w oparciu o indeks silhouette. Konkurencyjność polskich przedsiębiorstw na rynku UE wybrane aspekty, Prace i Materiały Wydziału Zarządzania Uniwersytetu Gdańskiego nr 2, s. 111-120.
• Migdał-Najman K. (2007a), Propozycja hybrydowej metody grupowania dużych zbiorów danych wykorzystującej sieć Kohonena i taksonomiczne metody grupowania, [w:] Taksonomia 14, red. K. Jajuga, M. Walesiak, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1169, AE, Wrocław, s. 305-313.
• Migdał-Najman K. (2007b), Charakterystyka mierników oceny podobieństwa wyników podziałów, Prace i Materiały Wydziału Zarządzania Uniwersytetu Gdańskiego nr 3, s. 191-201.
• Migdał-Najman K., Najman K. (2003), Próba zastosowania sieci neuronowej typu SOM w badaniu przestrzennego zróżnicowania powiatów w Polsce, „Wiadomości Statystyczne" nr 4, s. 72-84.
• Migdał-Najman K., Najman K. (2006), Wykorzystanie indeksu silhouette do ustalania optymalnej liczby skupień, „Wiadomości Statystyczne" nr 6, str. 1-10.
• Rand W.M. (1971), Objective Criteria for the Evaluation of Clustering Methods, „Journal of the American Statistical Association", vol. 66, nr 336.
• Rousseeuw P.J. (1987), Silhouettes: a Graphical Aid to the Interpretation and Validation of Cluster Analysis, „J. Comput. Appl. Math." 20.
• Sieci neuronowe (2000), red. W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz, PAN, Akademicka Oficyna Wydawnicza EXIT, Warszawa, s. 183.