Temat: dane symboliczne - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Klasyfikacja wielomodelowa danych symbolicznych w badaniu innowacyjności krajów Unii Europejskiej
Ensemble clustering of symbolic data in identification of innovation of European Union countries
Autorzy:: Pełka, Marcin
Powiązania:: https://bibliotekanauki.pl/articles/425162.pdf
Data publikacji:: 2017
Wydawca:: Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
Tematy:: dane symboliczne
innowacyjność
klasyfikacja wielomodelowa
Opis:: Innowacje odgrywają coraz to większą rolę w nowoczesnej gospodarce rynkowej. Pozwalają one odnosić korzyści wszystkim obywatelom (producentom, konsumentom i pracownikom). Innowacje mają także kluczowe znaczenie dla poprawy jakości życia, tworzenia lepszych miejsc pracy, a także szeroko rozumianego rozwoju społeczeństwa ekologicznego. Polityka innowacyjności stanowi istotny element polityki na poziomie zarówno krajów, jak i samej Unii Europejskiej. Celem artykułu jest zaprezentowanie przykładu zastosowania podejścia wielomodelowego danych symbolicznych (z zastosowaniem macierzy współwystąpień i metody k-medoidów) w klasyfikacji krajów Unii Europejskiej pod względem ich innowacyjności. W części empirycznej wykorzystano pakiety clusterSim oraz symbolicDA programu R do wykonania obliczeń. W wyniku zastosowania podejścia wielomodelowego zidentyfikowano strukturę czterech różnych klas.
Źródło:: Econometrics. Ekonometria. Advances in Applied Data Analytics; 2017, 2 (56); 42-51
1507-3866
Pojawia się w:: Econometrics. Ekonometria. Advances in Applied Data Analytics
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Wielomodelowa klasyfikacja spektralna danych symbolicznych
Autorzy:: Pełka, Marcin
Powiązania:: https://bibliotekanauki.pl/articles/584409.pdf
Data publikacji:: 2017
Wydawca:: Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
Tematy:: klasyfikacja wielomodelowa
klasyfikacja spektralna
dane symboliczne
Opis:: 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.
Źródło:: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu; 2017, 468; 180-187
1899-3192
Pojawia się w:: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: The Comparison of Fuzzy Clustering Methods for Symbolic Interval-Valued Data
Porównanie metod klasyfikacji rozmytej dla danych symbolicznych interwałowych
Autorzy:: Pełka, Marcin
Dudek, Andrzej
Powiązania:: https://bibliotekanauki.pl/articles/1364881.pdf
Data publikacji:: 2015-09-30
Wydawca:: Główny Urząd Statystyczny
Tematy:: spectral clustering
fuzzy clustering
fuzzy partition
interval-valued data
symbolic data analysis
klasyfikacja spektralna
klasyfikacja rozmyta
dane symboliczne interwałowe
analiza danych symbolicznych
Opis:: Interval-valued data can find their practical applications in such situations as recording monthly interval temperatures at meteorological stations, daily interval stock prices, etc. The primary objective of the presented paper is to compare three different methods of fuzzy clustering for interval-valued symbolic data, i.e.: fuzzy c-means clustering, adaptive fuzzy c-means clustering and fuzzy k-means clustering with fuzzy spectral clustering. Fuzzy spectral clustering combines both spectral and fuzzy approaches in order to obtain better results (in terms of Rand index for fuzzy clustering). The conducted simulation studies with artificial and real data sets confirm both higher usefulness and more stable results of fuzzy spectral clustering method, as compared to other existing fuzzy clustering methods for symbolic interval-valued data, when dealing with data featuring different cluster structures, noisy variables and/or outliers.
Dane symboliczne interwałowe mogą znaleźć zastosowanie w wielu sytuacjach – np. w przypadku notowań giełdowych, zmianach kursów walut, itp. Celem artykułu jest porównanie trzech metod klasyfikacji rozmytej dla danych symbolicznych interwałowych – tj. rozmytej klasyfikacji c-średnich, adaptacyjnej rozmytej klasyfikacji c-średnich oraz rozmytej klasyfikacji k-średnich z rozmytą klasyfikacją spektralną. Rozmyta klasyfikacja spektralna stanowi połączenie podejścia spektralnego oraz klasyfikacji rozmytej c-średnich, dzięki czemu możliwe jest otrzymanie lepszych rezultatów (w sensie indeksu Randa dla klasyfikacji rozmytych). Przeprowadzone badania symulacyjne wskazują, że rozmyta klasyfikacja spektralna dla danych symbolicznych pozwala na uzyskanie lepszych wyników niż inne rozmyte metody klasyfikacji dla tego typu danych jeżeli weźmiemy pod uwagę zbiory danych o różnej strukturze klas, która dodatkowo jest zniekształcana przez obserwacje odstające lub zmienne zakłócające.
Źródło:: Przegląd Statystyczny; 2015, 62, 3; 301-319
0033-2372
Pojawia się w:: Przegląd Statystyczny
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "dane symboliczne" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język