Proces rekurencyjnego podziału zbioru obiektów symbolicznych na podzbiory aż do uzyskania ich jednorodności ze względu na przynależność do K klas to tworzenie drzewa klasyfikacyjnego. Efektywność tworzenia drzew zależy jednak od sposobu podziału zbioru obiektów symbolicznych w węzłach drzewa. W każdym kroku algorytmu należy wskazać tę cechę, która daje dwa najbardziej różniące się podzbiory. M. Vrac i E. Diday zaproponowali nowe kryterium, w którym postulują, aby wyboru tego dokonywać optymalizując równocześnie kryterium homogeniczności (H(W), W- węzeł drzewa) i kryterium zróżnicowania (D(W)). Takie podejście wykorzystuje jednocześnie uczenie z nauczycielem i bez nauczyciela. Otrzymane w wyniku podziału klasy obiektów symbolicznych można opisywać, tj. wskazywać cechy charakterystyczne dla danej klasy.

Kontynuując rozważania z poprzednich Konferencji SKAD dotyczące analizy danych symbolicznych, w referacie przedstawione zostanie kryterium pozwalające na optymalny wybór cechy w oparciu, o którą nastąpi podział zbioru obiektów symbolicznych. Polega ona maksymalizacji funkcji ΔQ(W), gdzie:

maxΔQ(W)=max[αΔH(W)+βΔD(W)], α+β=1.

Funkcja D(W) najczęściej wyrażana jest przez wskaźnik zróżnicowania Giniego, natomiast omówione zostaną rożne postaci funkcji H(W) w zależności od rodzaju zmiennych, którymi opisany jest obiekt symboliczny. Jako podsumowanie zaprezentowany zostanie przykład obliczeniowy.

Literatura:

1. Bock H.H., Diday E., Analysis of Symbolic Data, Springer-Verlag, Berlin 2000.
2. Breiman L., Friedman J.H., Olshen R. A., Stone C. J., Classification and regression trees, Wadsworth, Belmont 1984.
3. Limam M. M., Diday E., Winsberg S., Symbolic Class Description with Interval Data, Journal of Symbolic Data Analysis, t.1, 2004.
4. Quinlan J. R., Induction of Decision Trees, Machine Learning, t. 1, 1986.
5. Vrac M., Diday E., Winsberg S., Limam M. M., Symbolic class description, [w:] Jajuga K. (red.), Classification, Clustering and Data Analysis, Springer-Verlag, Heidelberg 2002.

• Legal notice:
  

  Copyright (c) Pielaszek Research, all rights reserved.
  The above materials, including auxiliary resources, are subject to Publisher's copyright and the Author(s) intellectual rights. Without limiting Author(s) rights under respective Copyright Transfer Agreement, no part of the above documents may be reproduced without the express written permission of Pielaszek Research, the Publisher. Express permission from the Author(s) is required to use the above materials for academic purposes, such as lectures or scientific presentations.
  In every case, proper references including Author(s) name(s) and URL of this webpage: https://science24.com/paper/10641 must be provided.