より詳細な情報
データマイニング手法（5論文）
A discussion on visual interactive data, exploration using self-organizing maps
Moehrmann, J., Burkovski, A., Baranovskiy, E., Heinze, G. A., Rapoport, A., & Heidemann, G. (2011, June). In International Workshop on Self-Organizing Maps (pp. 178-187). Springer, Berlin, Heidelberg.
この論文では、自己組織化マップベースのビジュアルデータ探索のための最先端のソフトウェアツールの概要について説明します。 Viscovery SOMineは、データの前処理とマップとの対話で最良のグレード、データた可視化との対話およびラベルの割り当で平均以上のグレードを提供します。
Characteristic-based clustering for time series data
Wang, X., Smith, K., & Hyndman, R. (2006). Data mining and knowledge Discovery, 13(3), 335-364.
この論文では、時系列を構造的特徴に基づいてクラスタリングする特徴工学手法を提案しています。生成された特徴量をテストするために、完全連結法、k-means、ファジイc-meansクラスタリングとともに、Viscovery SOMineのSOM-Wardアルゴリズムが使用されています。
Data visualization of asymmetric data using Sammon mapping and applications of self-organizing maps
Li, H. (2005).
自己組織化マップに基づくメソッドのいくつかのソフトウェア実装のパフォーマンスが評価されています。 Viscovery SOMineは、クラスタ数の決定とデータセットのクラスタ構造の回復に役立ちます。 Viscovery SOMineを使用して大量虐殺と政治体制の消滅データセットが分析され、続いて公立と私立大学データセットを使用して別の分析が行われ、最良の価値を持つ学校を特定しています。
A scalable method for time series clustering
Wang, X., Smith, K. A., Hyndman, R., & Alahakoon, D. (2004). Technical Report, Monash University.
時系列を比較するためにグローバル測度が導入されています。自己組織化マップは、次元削減のために使用され、最終的にViscoveryのSOM-Wardアルゴリズムを使用して時系列がクラスタ化されています。
A comparison of software implementations of SOM clustering procedures
Li, H., Golden, B., Wasil, E., Zantek, P. (2002). In Intelligent engineering systems through artificial neural networks; 12; 447-452. 12th, Artificial neural networks in engineering conference; 2002; St Louis, MO.
このレビューでは、Viscovery SOMineのクラスタリングの可能性と、SPSS Clementineソフトウェアパッケージで実装されたSOM_PAKおよびk-meansクラスタリングのクラスタリングの可能性を比較します。 Viscovery SomineのWardアルゴリズムとその変更バージョンは、すべての検討された方法で最良のクラスタ回復率とRand統計値をもたらしました。
