Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "comparison" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-9 z 9
    Tytuł:
    Comparison of clustering accuracy in ensemble approach based on co-occurence data
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/658921.pdf
    Data publikacji:
    2010
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Opis:
    Podejście wielomodelowe dotychczas z dużym powodzeniem stosowane było w klasyfika- cji i regresji w celu podniesienia dokładności predykcji. W ostatnich latach analogiczne propozy- cje pojawiły się także w taksonomii, a liczne badania wykazały, że agregacja różniących się między sobą wyników wielokrotnego grupowania, pozwala na poprawę dokładności klasyfikacji. W badaniu uwaga została skupiona na pozyskaniu dodatkowej informacji dostarczanej przez zbiór wyników wielokrotnie dokonanej klasyfikacji w celu konstrukcji tzw. macierzy współwystąpień. Biorąc pod uwagę jednoczesne wystąpienie pary obiektów w tej samej klasie jako wskazówkę istnienia związku między nimi, pierwotny zbiór obserwacji przekształcany jest w n × n – wymiarową macierz, która opisuje podobieństwo między obiektami. Ostateczne grupowanie dokonywane jest na podstawie uzyskanej macierzy współwystąpień. Celem referatu jest porównanie dokładności rozpoznawania poprawnej struktury klas za- proponowanego podejścia wielomodelowego z zastosowaniem różnych algorytmów taksonomicz- nych do konstrukcji macierzy współwystąpień oraz jej późniejszego podziału na klas
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2010, 235
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of stability of algorithms in classical and ensemble approach in taxonomy
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/657946.pdf
    Data publikacji:
    2011
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    Cluster analysis
    Cluster ensemble
    stability
    accuracy
    Opis:
    Podejście wielomodelowe dotychczas z dużym powodzeniem stosowane było w dyskryminacji w celu podniesienia dokładności klasyfikacji. W ostatnich latach analogiczne propozycje pojawiły się w taksonomii, aby zapewnić większą poprawność i stabilność wyników grupowania Liczne badania wykazały, że agregacja różniących się między sobą wyników wielokrotnego grupowania, pozwala na poprawę dokładności klasyfikacji. Stabilność algorytmu taksonomicznego w odniesieniu do niewielkich zmian w zbiorze danych, czy też parametrów algorytmu jest pożądaną cechą algorytmu. Z drugiej jednak strony, podejście wielomodelowe czerpie korzyści ze zróżnicowanych klasyfikacji składowych, których połączenie przynosi bardziej dokładne i stabilne rozwiązanie niż pojedynczy algorytm. Głównym punktem zainteresowania tego badania była stabilność w podejściu zagregowanym w taksonomii. Przeprowadzone badania empiryczne pokazały, że podejście zagregowane daje bardziej stabilne rezultaty niż pojedyncze algorytmy taksonomiczne oraz, że często wyższa stabilność idzie w parze z wyższą dokładnością klasyfikacji w podejściu zagregowanym.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2011, 255
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Using R Packages for Comparison of Cluster Stability
    Zastosowanie pakietów programu R do porównania stabilności grupowania
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/655035.pdf
    Data publikacji:
    2017
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    grupowanie
    taksonomia
    stabilność
    clustering
    taxonomy
    stability
    Opis:
    W ostatnich latach dużo uwagi poświęca się zagadnieniu stabilności metod taksonomicznych, czyli odpowiedzi na pytanie o to, na ile struktura odkryta przez daną metodę rzeczywiście jest obecna w danych. W literaturze zaproponowano wiele różnych sposobów pomiaru stabilności. W ślad za rozważaniami teoretycznymi w tym zakresie idzie także rozwój narzędzi informatycznych pozwalających na praktyczne zastosowanie zaproponowanych sposobów badania stabilności. Wśród tych narzędzi jest także kilka bibliotek w programie R, np. clValid, clv, fpc, ClusterStability, pvclust. Celem artykułu jest porównanie wyników badania stabilności grupowania za pomocą wybranych bibliotek w programie R.
    The stability of clustering methods is the issue that has attracted a considerable amount of attention of researchers in recent years. In this respect, the major question that needs to be answered seems to be to what extent the structure discovered by a particular method is actually present in the data. The literature proposes a number of different ways of measuring stability. The theoretical considerations have led to the development of computer tools for the practical implementation of the proposed ways to study stability. The practical tools are available within several R packages, for example, clv, clValid, fpc, ClusterStability, and pvclust. Due to the hypothesis that cluster stability can be the answer to the question about the right number of groups in clustering, the main aim of this article is to compare the results of the studies on clustering stability conducted with three R packages, i.e.: clv, clValid, and fpc.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2017, 4, 330
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Porównanie stabilności taksonomii spektralnej oraz zagregowanych algorytmów taksonomicznych
    Comparison of Spectral Clustering and Cluster Ensembles Stability
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/586844.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Algorytmy
    Metody taksonomiczne
    Taksonomia
    Algorithms
    Taxonomic methods
    Taxonomy
    Opis:
    High accuracy of the results is very important task in any grouping problem (clustering). It determines effectiveness of the decisions based on them. Therefore in the literature there are proposed methods and solutions that main aim is to give more accurate results than traditional clustering algorithms (e.g. k-means or hierarchical methods). Examples of such solutions can be cluster ensembles or spectral clustering algorithms. A desirable quality of any clustering algorithm is also stability of the method with respect to small perturbations of data (e.g. data subsampling, small variations in the feature values) or the parameters of the algorithm (e.g. random initialization). Empirical results shown that cluster ensembles are more stable than traditional clustering algorithms. Here, we carry out an experimental study to compare stability of spectral clustering and cluster ensembles.
    Źródło:
    Studia Ekonomiczne; 2013, 152; 140-152
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Porównanie stabilności zagregowanych algorytmów taksonomicznych opartych na idei metody bagging
    Comparison of Stability of Cluster Ensembles based on Bagging Idea
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/587052.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Agregacja modeli
    Algorytmy
    Metody taksonomiczne
    Aggregation models
    Algorithms
    Taxonomic methods
    Opis:
    Ensemble approach has been successfully applied in the context of supervised learning to increase the accuracy and stability of classification. One of the most popular method is bagging based on bootstrap samples. Recently, analogous techniques for cluster analysis have been suggested in order to increase classification accuracy, robustness and stability of the clustering solutions. Research has proved that, by combining a collection of different clusterings, an improved solution can be obtained. A desirable quality of the method is the stability of a clustering algorithm with respect to small perturbations of data (e.g., data subsampling or resampling, small variations in the feature values) or the parameters of the algorithm (e.g., random initialization). Here, we look at the stability of the ensemble and carry out an experimental study to compare stability of cluster ensembles based on bagging idea.
    Źródło:
    Studia Ekonomiczne; 2013, 133; 119-134
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of Accuracy of Spectral Clustering and Cluster Ensembles based on Co-Occurrence Matrix
    Porównanie dokładności taksonomii spektralnej oraz zagregowanych algorytmów taksonomicznych opartych na macierzy współwystąpień
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/905649.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    spectral clustering
    cluster ensembles
    clustering
    Opis:
    High accuracy of the results is very important task in any grouping problem (clustering). It determines effectiveness of the decisions based on them. Therefore in the literature there are proposed methods and solutions that main aim is to give more accurate results than traditional clustering algorithms (e.g. k-means or hierarchical methods). Examples of such solutions can be cluster ensembles or spectral clustering algorithms. Here, we carry out an experimental study to compare accuracy of spectral clustering and cluster ensembles.
    Stosując metody taksonomiczne w jakimkolwiek zagadnieniu klasyfikacji ważną kwestią jest zapewnienie wysokiej poprawności wyników grupowania. Od niej bowiem zależeć będzie skuteczność wszelkich decyzji podjętych na tej podstawie. Stąd też w literaturze wciąż proponowane są nowe rozwiązania, które mają przynieść poprawę dokładności grupowania w stosunku do tradycyjnych metod. Przykładem mogą tu być metody polegające na zastosowaniu podejścia zagregowanego oraz algorytmy spektralne. Głównym celem tego artykułu jest porównanie dokładności zagregowanych i spektralnych algorytmów taksonomicznych. W badaniach pod uwagę wzięta zostanie tylko specyficzna klasa metod agregacji, która oparta jest na macierzy współwystąpień (Fred, Jain 2002). Natomiast jako algorytm spektralny zastosowana będzie metoda zaproponowana przez Ng i in. (2001).
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2013, 285
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of Accuracy of Affinity Propagation Method and Cluster Ensembles Based on Co-Occurrence Matrix
    Porównanie dokładności taksonomicznej metody propagacji podobieństwa oraz zagregowanych algorytmów taksonomicznych opartych na idei macierzy współwystąpień
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/904521.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    clustering
    accuracy
    affinity propagation
    cluster ensemble
    Opis:
    High accuracy of results is a very important task in any grouping problem (clustering). It determines effectiveness of the decisions based on them. Therefore in the literature there are proposed methods and solutions whose main aim is to give more accurate results than traditional clustering algorithms (e.g. k-means or hierarchical methods). Examples of such solutions can be cluster ensembles or affinity propagation method. Here, we carry out an experimental study to compare accuracy of those two approaches.
    Stosując metody taksonomiczne w jakimkolwiek zagadnieniu klasyfikacji ważną kwestią jest zapewnienie wysokiej poprawności wyników grupowania. Od niej bowiem zależeć będzie skuteczność wszelkich decyzji podjętych na ich podstawie. Stąd też w literaturze wciąż proponowane są nowe rozwiązania, które mają przynieść poprawę dokładności grupowania w stosunku do tradycyjnych metod (np. k-średnich, metod hierarchicznych). Przykładem mogą tu być metody polegające na zastosowaniu podejścia zagregowanego, czyli łączenia wyników uzyskanych w wyniku wielokrotnego grupowania (ang. cluster ensemble) oraz taksonomiczna metoda propagacji podobieństwa (ang. affinity propagation clustering). Głównym celem tego artykułu jest porównanie dokładności taksonomicznej metody propagacji podobieństwa zaproponowana przez Frey i Duecka (2007) oraz zagregowanych algorytmów taksonomicznych opartych idei macierzy współwystąpień (Fred, Jain 2002).
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2013, 286
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of Stability of Classical Taxonomy Bagging Metod with Bagging Based on Co-Occurence Data
    Porównanie stabilności klasycznej taksonomicznej metody bagging z metodą bagging opartą na macierzy współwystąpień
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/906849.pdf
    Data publikacji:
    2012
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    Cluster analysis
    Cluster ensemble
    Stability
    Bagging in taxonomy
    Co-occurrence matrix.
    Opis:
    Ensemble approach has been successfully applied in the context of supervised learning to increase the accuracy and stability of classification. Recently, analogous techniques for cluster analysis have been suggested in order to increase classification accuracy, robustness and stability of the clustering solutions. Research has proved that, by combining a collection of different clusterings, an improved solution can be obtained. The stability of a clustering algorithm with respect to small perturbations of data (e.g., data subsampling or small variations in the feature values) or the parameters of the algorithm (e.g., random initialization) is a desirable quality of the algorithm. On the other hand, ensembles benefit from diverse clusterers. Although built upon unstable components, the ensemble is expected to be more accurate and robust than the individual clustering method. Here, we look at the stability of the ensemble methods based on bagging idea and co-occurrence matrix. This paper carries out an experimental study to compare stability of bagging method used to the classical data set with bagging based on co-occurrence matrix.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2012, 269
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of the Accuracy of the Probabilistic Distance Clustering Method and Cluster Ensembles
    Porównanie dokładności metody odległości probabilistycznej i podejścia zagregowanego w taksonomii
    Autorzy:
    Rozmus, Dorota
    Powiązania:
    https://bibliotekanauki.pl/articles/657880.pdf
    Data publikacji:
    2016
    Wydawca:
    Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
    Tematy:
    grupowanie
    dokładność
    metoda odległości probabilistycznej
    podejście zagregowane w taksonomii
    clustering
    accuracy
    distance clustering method
    cluster ensemble
    Opis:
    Stosowanie metod taksonomicznych w jakimkolwiek zagadnieniu grupowania wymaga jednocześnie zapewnienia wysokiej dokładności wyników podziału. Ona bowiem warunkuje skuteczność wszelkich decyzji podjętych na podstawie uzyskanych rezultatów. Dlatego też w literaturze wciąż proponowane są nowe rozwiązania, których zadaniem jest poprawa dokładności grupowania w stosunku do tradycyjnie stosowanych metod (np. k-średnich, hierarchicznych). Przykładami mogą tu być metody polegające na zastosowaniu podejścia zagregowanego (Leisch 1999; Dudoit, Fridlyand 2003; Hornik 2006; Fred, Jain 2002), czy niedawno zaproponowana metoda odległości probabilistycznej (Ben-Israel, Iyigun 2008).Głównym celem artykułu jest porównanie dokładności omawianej metody z dokładnością podejścia zagregowanego w taksonomii.
    High accuracy of results is a very important aspect in any clustering problem t determines the effectiveness of decisions based on them. Therefore, literature proposes methods and solutions that aim to give more accurate and stable results than traditional clustering algorithms (e.g. k-means or hierarchical methods). Cluster ensembles (Leisch 1999; Dudoit, Fridlyand 2003; Hornik 2006; Fred, Jain 2002) or the distance clustering method (Ben-Israel, Iyigun 2008) are the examples of such solutions. Here, we carry out an experimental study to compare the accuracy of these two approaches.
    Źródło:
    Acta Universitatis Lodziensis. Folia Oeconomica; 2016, 3, 322
    0208-6018
    2353-7663
    Pojawia się w:
    Acta Universitatis Lodziensis. Folia Oeconomica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-9 z 9

      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