W rzeczywistych problemach badawczych często oprócz zmiennych istotnych
mamy do czynienia ze zmiennymi zakłócającymi (nieistotnymi). Nie zawsze można
dokonać wyboru zmiennych istotnych, np. za pomocą metody HINoV, lub
zmodyfikowanej metody HINoV. W artykule porównano efektywność wykrywania
znanej struktury klas za pomocą drzew klasyfikacyjnych dla obiektów symbolicznych
oraz jądrowej analizy dyskryminacyjnej obiektów symbolicznych w sytuacji, gdy mamy
do czynienia ze zmiennymi zakłócającymi. Badanie efektywności przeprowadzono na
symulowanych danych symbolicznych w różnych modelach. Każdy z modeli zawierał
znaną liczbę klas. Dodatkowo do każdego modelu dodano różną liczbę zmiennych
zakłócających.
In real research problems we usually deal with relevant variables and
irrelevant (noisy) variables. Relevant variables sometimes can not be identified, by for
example HINoV method or modified HINoV method. This paper compares effectiveness
detection o f known class structure with application o f symbolic decision trees and
symbolic kernel discriminant analysis in situation where we deal with noisy variables.
This research was conducted on artificial symbolic data from a variety o f models. The
models contained known structure o f clusters. In addition, the models contained different
number o f noisy variables added to obscure the underlying structure.
Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies
Informacja
SZANOWNI CZYTELNICY!
UPRZEJMIE INFORMUJEMY, ŻE BIBLIOTEKA FUNKCJONUJE W NASTĘPUJĄCYCH GODZINACH:
Wypożyczalnia i Czytelnia Główna: poniedziałek – piątek od 9.00 do 19.00