Аналіз модифікованого альтернативного правила прийняття рішення в алгоритмі попередньої кластеризації

Автор(и)

  • Volodymyr Mosorov Лодзький Технічний Університет Вул. Стефановскего, 18\22 , м. Лодзь, Польща, 90-924, Польща
  • Taras Panskyi Лодзький Технічний Університет вул. Стефановскего, 18\22, м. Лодзь, Польща, 90-924, Польща
  • Sebastian Biedron Лодзький Технічний Університет вул. Стефановскего, 18\22, м. Лодзь, Польща, 90-924, Польща

DOI:

https://doi.org/10.15587/1729-4061.2015.51214

Ключові слова:

модифіковане правило прийняття рішення, алгоритм попередньої кластеризації

Анотація

Запропоновано нове правило прийняття рішення, яке є модифікованою альтернативою стандартного в алгоритмі попередньої кластеризації. Дане правило було перевірене на експериментальних даних, а результати були порівняні із результатами, отриманими із використанням критерію сферичної роздільності. Представлені переваги та недоліки модифікованого правила прийняття рішення.

Біографії авторів

Volodymyr Mosorov, Лодзький Технічний Університет Вул. Стефановскего, 18\22 , м. Лодзь, Польща, 90-924

Доктор технічних наук

Інститут прикладної інформатики

Taras Panskyi, Лодзький Технічний Університет вул. Стефановскего, 18\22, м. Лодзь, Польща, 90-924

Аспірант

Інститут прикладної інформатики

Sebastian Biedron, Лодзький Технічний Університет вул. Стефановскего, 18\22, м. Лодзь, Польща, 90-924

Аспірант

Інститут прикладної інформатики

Посилання

  1. North, M.A. (2012). Data mining for the masses. A global text project book, 264.
  2. Aggarwal, C. C. (2013). Data Clustering: Algorithms and Applications 1st Edition. Chapman & Hall, 652.
  3. McCallum, A., Nigam, K., Ungar, L. H. (2000). Efficient Clustering of High Dimensional Data Sets with Application to Reference Matching. Proceedings of the sixth ACM SIGKDD international conference on Knowledge discovery and data mining, 169–178. doi: 10.1145/347090.347123
  4. Kovács, L., Bednarik, L. (2011). Parameter Optimization for BIRCH Pre-Clustering Algorithm. 12th IEEE International Symposium on Computational Intelligence and Informatics, 475–480.
  5. Khan, M. A. H. (2015). Pre-processing for K-means Clustering Algorithm. Senior Projects Spring, 260.
  6. Everitt, B. S., Landau, S., Leese, M., Stahl, D. (2011). Data Clustering 5th Edition. Willey Series In Probability And Statistics, 348.
  7. Gan, G., Ma, C., Wu, J. (2007). Data clustering Theory, Algorithms, and Applications. ASA-SIAM Series on Statistics And Applied Probability, 488.
  8. Hofmann, M., Klinkenberg, R. (2013). RapidMiner: Data Mining Use Cases and Business Analytics Applications. Chapman & Hall/CRC, 431.
  9. Kovács, F., Legány, C., Babos, A. (2006). Cluster Validity Measurement Techniques. Proceeding AIKED’06 Proceedings of the 5th WSEAS International Conference on Artificial Intelligence, Knowledge Engineering and Data Bases.
  10. Rendón, E., Abundez, I., Arizmendi, A., Quiroz, I. M. (2011). Internal versus External cluster validation indexes. International journal of computers and communications, 1 (5), 25–34.
  11. Liu, Y., Li, Z., Xiong, H., Gao, X., Wu, J. (2010). Understanding of Internal Clustering Validation Measures. IEEE International Conference on Data Mining, 911–916. doi: 10.1109/icdm.2010.35
  12. Mosorov, V., Tomczak, L. (2014). Image Texture Defect Detection Method Using Fuzzy C-Means Clustering for Visual Inspection Systems. Arabian Journal for Science and Engineering, 39 (4), 3013–3022. doi: 10.1007/s13369-013-0920-7

##submission.downloads##

Опубліковано

2015-10-20

Як цитувати

Mosorov, V., Panskyi, T., & Biedron, S. (2015). Аналіз модифікованого альтернативного правила прийняття рішення в алгоритмі попередньої кластеризації. Eastern-European Journal of Enterprise Technologies, 5(9(77), 13–18. https://doi.org/10.15587/1729-4061.2015.51214

Номер

Розділ

Інформаційно-керуючі системи