Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 25.06.2026 auf fremdsprachige Bücher online auf thalia.at und in der Thalia App. Einzelne Artikel können ausgeschlossen sein. Ausgenommen sind preisgebundene Artikel & eBooks. Pro Einkauf einmal einlösbar. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Gutschein wird auf max. 500€ Bestellwert angerechnet. Nicht gültig für Geschenkkarten, Versandkosten und Services.
Produktbild: Clustering Methodology for Symbolic Data

Clustering Methodology for Symbolic Data

111,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

28.10.2019

Verlag

Wiley

Seitenzahl

352

Maße (L/B/H)

23,1/15,5/2,3 cm

Gewicht

590 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-0-470-71393-8

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

28.10.2019

Verlag

Wiley

Seitenzahl

352

Maße (L/B/H)

23,1/15,5/2,3 cm

Gewicht

590 g

Auflage

1. Auflage

Sprache

Englisch

ISBN

978-0-470-71393-8

Kundinnen und Kunden meinen

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Kundinnen und Kunden meinen

0 Bewertungen filtern
Die Leseprobe wird geladen.
  • Produktbild: Clustering Methodology for Symbolic Data

  • 1 Introduction 1

    2 Symbolic Data: Basics 7

    2.1 Individuals, Classes, Observations, and Descriptions 8

    2.2 Types of Symbolic Data 9

    2.2.1 Multi-valued or Lists of Categorical Data 9

    2.2.2 Modal Multi-valued Data 10

    2.2.3 Interval Data 12

    2.2.4 Histogram Data 13

    2.2.5 Other Types of Symbolic Data 14

    2.3 How do Symbolic Data Arise? 17

    2.4 Descriptive Statistics 24

    2.4.1 Sample Means 25

    2.4.2 Sample Variances 26

    2.4.3 Sample Covariance and Correlation 28

    2.4.4 Histograms 31

    2.5 Other Issues 38

    Exercises 39

    Appendix 41

    3 Dissimilarity, Similarity, and Distance Measures 47

    3.1 Some General Basic Definitions 47

    3.2 Distance Measures: List or Multi-valued Data 55

    3.2.1 Join and Meet Operators for Multi-valued List Data 55

    3.2.2 A Simple Multi-valued Distance 56

    3.2.3 Gowda-Diday Dissimilarity 58

    3.2.4 Ichino-Yaguchi Distance 60

    3.3 Distance Measures: Interval Data 62

    3.3.1 Join and Meet Operators for Interval Data 62

    3.3.2 Hausdorff Distance 63

    3.3.3 Gowda-Diday Dissimilarity 68

    3.3.4 Ichino-Yaguchi Distance 73

    3.3.5 de Carvalho Extensisons of Ichino-Yaguchi Distances 76

    3.4 Other Measures 79

    Exercises 79

    Appendix 82

    4 Dissimilarity, Similarity, and Distance Measures: Modal Data 83

    4.1 Dissimilarity/Distance Measures: Modal Multi-valued List Data 83

    4.1.1 Union and Intersection Operators for Modal Multi-valued List Data 84

    4.1.2 A Simple Modal Multi-valued List Distance 85

    4.1.3 Extended Multi-valued List Gowda-Diday Dissimilarity 87

    4.1.4 Extended Multi-valued List Ichino-Yaguchi Dissimilarity 90

    4.2 Dissimilarity/Distance Measures: Histogram Data 93

    4.2.1 Transformation of Histograms 94

    4.2.2 Union and Intersection Operators for Histograms 98

    4.2.3 Descriptive Statistics for Unions and Intersections 101

    4.2.4 Extended Gowda-Diday Dissimilarity 104

    4.2.5 Extended Ichino-Yaguchi Distance 108

    4.2.6 Extended de Carvalho Distances 112

    4.2.7 Cumulative Density Function Dissimilarities 115

    4.2.8 Mallows' Distance 117

    Exercises 118

    5 General Clustering Techniques 119

    5.1 Brief Overview of Clustering 119

    5.2 Partitioning 120

    5.3 Hierarchies 125

    5.4 Illustration 131

    5.5 Other Issues 146

    6 Partitioning Techniques 149

    6.1 Basic Partitioning Concepts 150

    6.2 Multi-valued List Observations 153

    6.3 Interval-valued Data 159

    6.4 Histogram Observations 169

    6.5 Mixed-valued Observations 177

    6.6 Mixture Distribution Methods 179

    6.7 Cluster Representation 186

    6.8 Other Issues 189

    Exercises 191

    Appendix 193

    7 Divisive Hierarchical Clustering 197

    7.1 Some Basics 197

    7.1.1 Partitioning Criteria 197

    7.1.2 Association Measures 200

    7.2 Monothetic Methods 203

    7.2.1 Modal Multi-valued Observations 205

    7.2.2 Non-modal Multi-valued Observations 214

    7.2.3 Interval-valued Observations 216

    7.2.4 Histogram-valued Observations 225

    7.3 Polythethic Methods 236

    7.4 Stopping Rule R 250

    7.5 Other Issues 257

    Exercises 258

    8 Agglomerative Hierarchical Clustering 261

    8.1 Agglomerative Hierarchical Clustering 261

    8.1.1 Some Basic Definitions 261

    8.1.2 Multi-valued List Observations 266

    8.1.3 Interval-valued Observations 269

    8.1.4 Histogram-valued Observations 278

    8.1.5 Mixed-valued Observations 281

    8.1.6 Interval Observations with Rules 282

    8.2 Pyramidal Clustering 289

    8.2.1 Generality Degree 289

    8.2.2 Pyramid Construction Based on Generality Degree 297

    8.2.3 Pyramids from Dissimilarity Matrix 309

    8.2.4 Other Issues 312

    Exercises 313

    Appendix 315

    References 317

    Index 331