An approach to symbolic data analysis based on the quantile method

一种基于分位数法的符号数据分析方法

• 批准号: 22500138
• 负责人: ICHINO Manabu
• 金额: $ 1.58万
• 依托单位: Tokyo Denki University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2010
• 资助国家: 日本
• 起止时间: 2010 至 2012
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22500138/
• 关键词: シンボリック・データ・アナリシス; データマイニング; 分位数; 数量化; 多変量解析; 主成分分析; 単調性; 分布関数; 概念クラスタリング; データ累積; 年次データの解析; 教師付き概念クラスタリング; 入れ子構造; 順位相関; スピアマン

Symbolic data analysis aims to analyze complex data table described by the mixture of histograms, intervals, finite sets, and others. We usually obtain symbolic data tables by the process of aggregation and summarization of vastly many data sets. We assume proper cumulative distribution functions for feature values of histograms, intervals, finite sets, and others. Then. We can obtain the respective (m+1) vectors of quantile values. A main contribution to this study is the realization of the quantile method of principal component analysis for symbolic data tables. The quantile method transforms the given (N objects) ×(d features) symbolic data table to a standard numerical data table of the size (N×(m+1) sub-objects)×(d features) for a preselected integer number m which controls the representation quality for each symbolic object. We apply the standard principal component analysis to the transformed data table. In the obtained factor planes, each symbolic object is reproduced as a series of m connected arrow lines that combine (m+1) sub-objects. We reported the usefulness of the proposed method to the Journal of Statistical Analysis and Data Mining.

符号数据分析旨在分析由直方图、区间、有限集等混合描述的复杂数据表，我们通常通过对大量数据集进行聚合和汇总的过程来分析符号数据表，我们假设适当的累积分布得到函数。然后我们可以得到直方图、区间、有限集等的各自的(m+1)个向量的分位数值。对于符号数据表，分位数方法将给定的 (N 个对象) ×(d 个特征) 符号数据表转换为大小为 (N×(m+1) 个子对象)×(d 个特征) 的标准数值数据表。控制每个符号对象的表示质量的预选整数 m 我们将标准主成分分析应用于转换后的数据表中，每个符号对象被再现为一系列 m 个连接的箭头线，这些箭头线组合在一起。米+1)我们向《统计分析和数据挖掘杂志》报告了所提出方法的有用性。

项目成果

The data accumulation PCA to analyze periodically summarized multiple data tables.

数据积累PCA进行分析，定期总结多个数据表。

• 发表时间: 2012
• 作者: 伏見卓恭;斉藤和巳;武藤伸明;池田哲夫;Manabu Ichino
• 通讯作者: Manabu Ichino

ホームページ

主页

市野研究室ホームページ

一野实验室主页

A generalized measure of covariant relations based on relative neighborhood relations

基于相对邻域关系的协变关系的广义测度

• 发表时间: 2011
• 期刊: Far East Journal of Theoretical Statistics
• 作者: A. Nagoya;Y. Ono;M. Ichino
• 通讯作者: M. Ichino

The data accumulation method for symbolic principal component analysis

符号主成分分析的数据积累方法

• 发表时间: 2011
• 作者: M. Ichino;P. Brito
• 通讯作者: P. Brito