Wielomodelowa klasyfikacja spektralna danych symbolicznych

Klasyfikacja spektralna, którą zaproponowali Ng, Jordan i Weiss [ 2002], jest nie tyle nową metodą klasyfikacji, ile nowym podejściem do przygotowywania danych na potrzeby klasyfikacji, która wykorzystuje ideę dekompozycji spektralnej macierzy danych. Głównym celem artykułu jest zastosowanie klasyfikacji spektralnej na potrzeby podejścia wielomodelowego w analizie skupień danych symbolicznych oraz przeprowadzenie i analiza symulacji w tym zakresie. Klasyfikacja spektralna może znaleźć zastosowanie zarówno w przygotowaniu danych na potrzeby utworzenia macierzy współwystąpień (co-association matrix), jak i w samej klasyfikacji dokonywanej na podstawie tej macierzy, a także jako metoda przygotowywania danych na potrzeby adaptacji metody boosting w klasyfikacji. W części empirycznej artykułu zaprezentowano i zinterpretowano wyniki klasyfikacji wielomodelowej z zastosowaniem klasyfikacji spektralnej zarówno do przygotowania danych wejściowych, jak i samej klasyfikacji. Wykorzystano tu sztuczne zbiory danych o znanej strukturze klas.