Similarity Measures for Nominal Data in Hierarchical Clustering
Zdeněk Šulc · 2016
Tato disertacni prace se zabýva mirami podobnosti pro nominalni data v hierarchickem shlukovani, ktere umožňuji zachazet s proměnnými s vice než dvěma kategoriemi a ktere si kladou za cil nahradit postupy založene na koeficientu proste shody, ktere se v teto oblasti běžně použivaji. Tyto miry podobnosti uvažuji dodatecne informace ohledně datoveho souboru, jako je rozděleni cetnosti kategorii u dane proměnne nebo pocet jejich kategorii. Tato prace se věnuje třem hlavnim cilům. Prvnim cilem je prozkoumani a ohodnoceni kvality shlukovani vybraných měr podobnosti pro hierarchicke shlukovani objektů a proměnných. K dosaženi tohoto cile bylo provedeno několik experimentů, ktere se zabývaji jak shlukovanim objektů, tak proměnných. Tyto experimenty zkoumaji kvalitu shluků vytvořených za pomoci zkoumaných měr podobnosti pro nominalni data ve srovnani běžně použivanými mirami podobnostmi využivajicimi binarni transformaci a dale s několika alternativnimi metodami pro shlukovani nominalnich dat. Toto porovnani je provedeno na realných i generovaných souborech. Výstupy těchto experimentů vedou ke zjistěni, ktere miry podobnosti jsou vhodne k obecnemu použiti, ktere podavaji dobre výsledky v konktretnich situacich a ktere nejsou doporuceny pro shlukovani objektů nebo proměnných. Druhým cilem prace je navrženi miry podobnosti vychazejici z teoretických předpokladů a jeji nasledne porovnani s ostatnimi zkoumanými mirami podobnosti. Na zakladě tohoto cile byly představeny dvě nove miry podobnosti, Variable Entropy a Variable Mutability. Obzvlastě prvně zminěna mira podava velmi dobre výsledky u souborů s nižsim poctem proměnných. Třetim cilem teto prace je poskytnout komfortni sofwarove řeseni založene na zkoumaných mirach podobnosti pro nominalni data, ktere pokrýva celý proces shlukovani od výpoctu matice vzdalenosti po hodnoceni výsledných shluků. Tento cil byl dosažen vytvořenim balicku nomclust pro program R, který řesi tuto problematiku a který je volně dostupný.