Przedmiotem niniejszej pracy jest zagadnienie redukcji wymiaru i liczności próby losowej z przeznaczeniem do procedur eksploracyjnej analizy danych, określonych przy użyciu metodyki statystycznych ... więcej

Przedmiotem niniejszej pracy jest zagadnienie redukcji wymiaru i liczności próby losowej z przeznaczeniem do procedur eksploracyjnej analizy danych, określonych przy użyciu metodyki statystycznych estymatorów jądrowych. Koncepcja opracowanego algorytmu opiera się na liniowej transformacji zbioru danych do przestrzeni o mniejszym wymiarze, z możliwie dokładnym zachowaniem odległości pomiędzy poszczególnymi elementami próby. Współczynniki macierzy transformacji wyznaczane są z zastosowaniem inspirowanej mechanizmami fizycznymi metaheurystyki symulowanego wyżarzania. Ponadto stosuje się eliminację lub redukcję znaczenia tych elementów próby, których położenie względem pozostałych uległo w wyniku transformacji istotnej zmianie. Przedstawiona metoda została pozytywnie zweryfikowana w zagadnieniach analizy skupień (klasteryzacji), klasyfikacji oraz wykrywania elementów nietypowych (odosobnionych), zapewniając odpowiednią jakość procedur wyznaczonych z użyciem estymatorów jądrowych, przy znacznie zredukowanym wymiarze przestrzeni i zmniejszonej liczności zbioru danych.

This project deals with dimensionality and sample length reduction applied to the tasks of exploratory data mining using statistical kernel density estimation. Proposed technique is based on distance preserving ... więcej

This project deals with dimensionality and sample length reduction applied to the tasks of exploratory data mining using statistical kernel density estimation. Proposed technique is based on distance preserving linear transformation of a given dataset to the lower dimensionality feature space. Coefficients of feature transformation matrix are found using simulated annealing - an algorithm inspired by physical annealing of solids. Furthermore the elimination or weighting of data elements which as an effect of above mentioned transformation were moved significantly from the rest of the dataset is performed. Presented method was positively verified in routines of cluster analysis, classification and outlier detection defined with the use of kernel density estimation. It ensures proper efficiency of those procedures in compact feature space and with reduced data sample length in the same time.