0314040 - ÚI 2009 RIV US eng C - Conference Paper (international conference)
Frolov, A. A. - Húsek, Dušan - Řezanková, H. - Snášel, V. - Polyakov, P.Y.
Clustering Variables by Classical Approaches and Neural Network Boolean Factor Analysis.
[Shlukování proměnných klasickými metodami a pomocí neurosíťové Booleovské faktorové analýzy.]
International Joint Conference on Neural Networks. Piscataway: IEEE, 2008, s. 3742-3746. ISBN 978-1-4244-1820-6.
[IJCNN 2008. International Joint Conference on Neural Networks. Hong Kong (CN), 01.06.2008-08.06.2008]
R&D Projects: GA MŠMT(CZ) 1M0567; GA AV ČR 1ET100300414
Institutional research plan: CEZ:AV0Z10300504
Keywords : clustering * Boolean factor analysis * linear factor analysis * overlapping classes
Subject RIV: BB - Applied Statistics, Operational Research
DOI: https://doi.org/10.1109/IJCNN.2008.4634335

In this paper, we compare three methods for grouping of binary variables: neural network Boolean factor analysis , hierarchical clustering, and a linear factor analysis on the mushroom dataset . In contrast to the latter two traditional methods, the advantage of neural network Boolean factor analysis is its ability to reveal overlapping classes in the dataset. It is shown that the mushroom dataset provides a good demonstration of this advantage because it contains both disjunctive and overlapping classes.

Na testovacím souboru (mushroom dataset - MD) jsou porovnány tři metody pro shlukování binárních proměnných: neurosíťová Booleovská analýza (NBFA), hierarchická shluková analýza, lineární faktorová analýza. Na rozdíl od posledně jmenovaných tradičních metod je NBFA schopna identifikovat v datech překrývající se shluky. Je ukázáno, že MD je dobrou testovací množinou protože obsahuje jak disjunktivní tak překrývající se třídy.
Permanent Link: http://hdl.handle.net/11104/0164677