An Approach to Learn Categorical Distance Based on Attributes Correlation
محل انتشار: نوزدهمین کنفرانس مهندسی برق ایران
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,143
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE19_556
تاریخ نمایه سازی: 14 مرداد 1391
چکیده مقاله:
Measuring similarity or distance plays a key role for data mining and knowledge discovery tasks. A lot of work has been performed on continuous attributes, but for nominal attributes the similarity computation is not relatively well- understood. In this paper, we propose a novel approach to learn a familyof dissimilarity measures for categorical data. Based on these measures distance between two different values of an attribute can be determined by using the certain number of attributes rather than all attributes at once. We evaluate our methods in unsupervised environment, Experiments with real data show that our dissimilarity estimation method improves the accuracy of K-Modes clustering algorithm
کلیدواژه ها:
نویسندگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :