Angebote zu "Clusteranalyse" (13 Treffer)

Kategorien

Shops

Methoden zur Qualitätsbewertung von Self-organi...
39,90 € *
ggf. zzgl. Versand

Der Self-organizing Maps Algorithmus (SOM) ist ein unüberwachtes Lernverfahren aus dem Bereich der künstlichen neuronalen Netze. Aufgrund seiner besonderen Eigenschaften ist der SOM Algorithmus einer der meist verwendetsten Algorithmen in der visuellen Clusteranalyse. Die zentrale Forschungsfrage dieser Arbeit bezieht sich auf die Qualität der Ergebnisse des SOM-basierten Clusteranalyseprozesses. Die Arbeit zeigt Lösungsstrategien auf, um den Analyseprozess mit visuellen Qualitätsbewertungsmethoden zu unterstützen. Neben der Integration bewährter Darstellungsformen liegt der Schwerpunk dieser Arbeit in der Konzeption, der Umsetzung und der Evaluierung neu entwickelter, interaktiver Visualisierungsformen.

Anbieter: Dodax
Stand: 24.02.2020
Zum Angebot
Clusteranalyse mit SPSS
49,95 € *
ggf. zzgl. Versand

Dieses Buch führt ein in die grundlegenden Ansätze des Clusterns, Segmentierens und der Faktorextraktion. Kapitel 1 führt ein in die Clusteranalyse. Nach einem intuitiven Beispiel anhand des Clusterns von Muscheln am Strand, und dem zugrundeliegenden, oft unausgesprochenen Cluster-Prinzipien werden u.a. die hierarchische, partitionierende und das TwoStep-Verfahren vorgestellt. Bei der hierarchischen Clusteranalyse (CLUSTER) werden die diversen Maße (z.B. quadrierte euklidische Distanz, Pearson-Korrelation, Chi²-Maß etc.) und die jeweiligen Algorithmen (Density, Linkage, Ward etc.) einschl. ihrer Bias (z.B. Ausreißer, Chaining) erläutert. Anhand zahlreicher Beispiele wird erläutert, wie Intervalldaten, Häufigkeiten, Kategorialdaten, sowie gemischte Daten geclustert werden. Bei der partitionierenden Clusterzentrenanalyse (k-means, QUICK CLUSTER) lernen Sie Teststatistiken zur Bestimmung der optimalen Clusterzahl kennen (z.B. Eta², F-max, nicht im original SPSS Leistungsumfang enthalten), sowie die ausgewählte Clusterlösung auf Interpretierbarkeit, Stabilität und Validität zu prüfen. Bei der Two-Step Clusteranalyse (TWOSTEP CLUSTER) lernen Sie die Clusterung von gemischten Daten anhand eines Scoring-Algorithmus kennen Darüber hinaus lernen Sie Kriterien für die Beurteilung einer guten Clusterlösung kennen, wie auch alternative grafische und logische Ansätze zur Clusterung von auch Daten im String-Format. Kapitel 2 führt ein in die Gruppe der Faktorenanalyse mit SPSS. Die Faktorenanalyse (factor analysis, FA) ist ein Sammelbegriff für verschiedene Verfahren, die es ermöglichen, aus einer großen Zahl von Variablen eine möglichst geringe Anzahl von (nicht beobachteten) 'Faktoren' zu erhalten ('extrahieren'). Die Faktorenanalyse geht nicht von unabhängigen oder abhängigen Variablen aus, sondern behandelt alle Analysevariablen unabhängig von einem Kausalitätsstatus. Dieser Kurs führt in das Grundprinzip und Varianten der Faktorenanalyse (z.B. Alpha, Hauptfaktoren, Hauptkomponenten), die wichtigsten Extraktions-, wie auch Rotationsmethoden (z.B. orthogonal vs. oblique) und ihre Funktion. Vorgestellt werden Kriterien zur Bestimmung, Interpretation und Benennung der Faktoren. Dieser Kurs stellt ausschließlich die Variante der explorativen Faktorenanalyse (EFA) vor (R-Typ). Abschliessend werden eine Faktorenanalyse für Fälle (Q-Typ Faktorenanalyse vorgestellt, sowie eine Matrix-Variante, die dann zum Einsatz kommen kann, wenn die korrelationsanalytischen Voraussetzungen der Faktorenanalyse nicht erfüllt sind. Die Überprüfung der Voraussetzungen und die Interpretation der Statistiken werden an zahlreichen Beispielen geübt. Kapitel 3 stellt die Diskriminanzanalyse (DA, syn.: DFA, Diskriminanzfunktionsanalyse) vor. Das zentrale Ziel dieses Ansatzes ist, die beste Trennung (Diskriminanz) zwischen den Zugehörigkeiten einer abhängigen Gruppenvariable für mehrere unabhängige Einflussvariablen zu finden. In anderen Worten, die Diskriminanzanalyse liefert die Antwort auf die Frage: Welche Kombination von Einflussvariablen erlaubt eine maximal trennende Aufteilung der Fälle in die bekannten Ausprägungen einer Gruppe? Weitere, damit in Zusammenhang stehende Fragen können sein: Auf welche Weise werden die Fälle klassiert, wie genau werden die Fälle klassiert (erkennbar an der Anzahl der Fehlklassifikationen), und wie sind die schlussendlich entstehenden Klassifizierungen zu interpretieren? Es werden u.a. diverse Methoden der Variablenselektion (direkt, schrittweise), sowie auch die Berechnung und Interpretation multipler schrittweiser Diskriminanzanalysen mit mehreren ermittelten Funktionen vorgestellt (einschliesslich Lambda, Box-Test, Kreuzvalidierung (Interpretation von Kovarianz-Matrizen), das Identifizieren von Multikollinearität, sowie Gebietskarten (Territorien). Weitere Kapitel stellen Möglichkeiten des Clusterns und Segmentierens (u.a. mit CLEMENTINE, Entscheidungsbäume und ausgewählte Cluste

Anbieter: Dodax
Stand: 24.02.2020
Zum Angebot
Die Methode der hierarchischen Clusteranalyse
24,90 CHF *
zzgl. 3,50 CHF Versand

Studienarbeit aus dem Jahr 2013 im Fachbereich Soziologie - Methodologie und Methoden, einseitig bedruckt, Note: 1,0, Universität Trier, Veranstaltung: Empirische Sozialforschung, Sprache: Deutsch, Abstract: Die Methode der Clusteranalyse unterscheidet sich deutlich von vielen anderen multivariaten Verfahren, da das Ziel nicht der Nachweis einer Kausalität ist, sondern vielmehr die Einteilung einer Grundgesamtheit in kleinere Einheiten. Spezifischer ausgedrückt dient die Clusteranalyse dazu, homogene Subgruppen aus einer heterogenen Gruppe herauszuarbeiten. Somit ist das Verfahren ein klassifikatorisches und kein kausal-analytisches. Die erste Problemstellung und gleichzeitig das Ziel der Clusteranalyse ist die Bestimmung der Klassenanzahl. Diese wird nicht vorab festgelegt, sondern ergibt sich vielmehr aus der Beziehungsstruktur der Objekte. Um die Anzahl zu ermitteln, gibt es verschiedene Möglichkeiten, welche nicht alle vorgestellt werden können. Vielmehr beschränkt sich diese Arbeit auf die hierarchische Clusteranalyse, da diese in der Praxis die weiteste Verbreitung gefunden hat. Bei der hierarchischen Clusteranalyse ist das Finden der Klassenanzahl ein Prozess, da die einzelnen Merkmalsträger auf Grund ihrer Ähnlichkeiten zueinander zu Gruppen zusammengefasst werden. Dies ist ein mehrstufiger Prozess, der im ersten Schritt einzelne Merkmalsträger zusammenfasst und inden darauffolgenden Stufen dann Subgruppen zusammenfügt. Die Anzahl der Klassen hängt somit auch davon ab wie oft man den Gruppierungsprozess vollzieht (Litz 2000: 384 & 385). Daher wird der Cluster-Algorithmus bis zum Maximum, so dass alle Elemente entweder in einem Cluster enthalten sind oder es so viele Cluster wie Objkete gibt, durchlaufen gelassen. Die optimale Anzahl der Gruppen muss der Forscher aus den offerierten Möglichkeiten selbstauswählen.

Anbieter: Orell Fuessli CH
Stand: 24.02.2020
Zum Angebot
Die Methode der hierarchischen Clusteranalyse
10,90 CHF *
ggf. zzgl. Versand

Studienarbeit aus dem Jahr 2013 im Fachbereich Soziologie - Methodologie und Methoden, Note: 1,0, Universität Trier, Veranstaltung: Empirische Sozialforschung, Sprache: Deutsch, Abstract: Die Methode der Clusteranalyse unterscheidet sich deutlich von vielen anderen multivariaten Verfahren, da das Ziel nicht der Nachweis einer Kausalität ist, sondern vielmehr die Einteilung einer Grundgesamtheit in kleinere Einheiten. Spezifischer ausgedrückt dient die Clusteranalyse dazu, homogene Subgruppen aus einer heterogenen Gruppe herauszuarbeiten. Somit ist das Verfahren ein klassifikatorisches und kein kausal-analytisches. Die erste Problemstellung und gleichzeitig das Ziel der Clusteranalyse ist die Bestimmung der Klassenanzahl. Diese wird nicht vorab festgelegt, sondern ergibt sich vielmehr aus der Beziehungsstruktur der Objekte. Um die Anzahl zu ermitteln, gibt es verschiedene Möglichkeiten, welche nicht alle vorgestellt werden können. Vielmehr beschränkt sich diese Arbeit auf die hierarchische Clusteranalyse, da diese in der Praxis die weiteste Verbreitung gefunden hat. Bei der hierarchischen Clusteranalyse ist das Finden der Klassenanzahl ein Prozess, da die einzelnen Merkmalsträger auf Grund ihrer Ähnlichkeiten zueinander zu Gruppen zusammengefasst werden. Dies ist ein mehrstufiger Prozess, der im ersten Schritt einzelne Merkmalsträger zusammenfasst und in den darauffolgenden Stufen dann Subgruppen zusammenfügt. Die Anzahl der Klassen hängt somit auch davon ab wie oft man den Gruppierungsprozess vollzieht (Litz 2000: 384 & 385). Daher wird der Cluster-Algorithmus bis zum Maximum, so dass alle Elemente entweder in einem Cluster enthalten sind oder es so viele Cluster wie Objkete gibt, durchlaufen gelassen. Die optimale Anzahl der Gruppen muss der Forscher aus den offerierten Möglichkeiten selbst auswählen.

Anbieter: Orell Fuessli CH
Stand: 24.02.2020
Zum Angebot
Design, Implementierung und Analyse einer clust...
68,90 CHF *
ggf. zzgl. Versand

Inhaltsangabe:Einleitung: Der Einsatz von Datenanalyseverfahren zur Planung und Entscheidungsunterstützung gewinnt durch die enorm ansteigende Menge an zu verarbeitenden Daten für Unternehmen immer mehr an Bedeutung. Datenanalyseverfahren werden vielseitig eingesetzt, zum Beispiel die Clusteranalyse einer Kundendatenbank mit dem Ziel der Marktsegmentierung. Aus der Marktsegmentierung lassen sich wiederum Kundengruppen identifizieren, Zielgruppen ableiten sowie geeignete Marketingstrategien entwickeln. Ein weiteres Beispiel ist das Spotlight-System, welches Verkaufsdaten von Supermärkten analysiert. Das System findet Änderungen von Verkaufsmengen eines Produktes und entdeckt Zusammenhänge zwischen diesen Änderungen und möglichen Ursachen wie etwa Preis oder Qualitätsänderungen. Der Vorteil solcher Verfahren für Unternehmen, die im Wettbewerb stehen, wird in den obigen Beispielen deutlich. So gibt es eine Reihe von Softwareherstellen wie SAP oder IBM, die Lösungen zu diesem Thema anbieten. Diese Arbeit befasst sich mit der SAP Lösung, speziell mit der Clusteranalyse. Die Clusteranalyse im SAP BI basiert auf einer hocheffizienten und robusten Form des k-means Algorithmus. Dieser Algorithmus ist in der Lage, auch eine relativ grosse Datenmenge mit hoher Genauigkeit zu analysieren. Der Nachteil dieses Verfahrens besteht in der Angabe der Clusteranzahl als Parameter. Die ¿richtige¿ Clusteranzahl ist jedoch dem Benutzer in den meisten Fällen nicht bekannt. Arbeitet ein Algorithmus mit einer fest vorgegebenen Clustermenge, können unter Umständen wichtige Zusammenhänge verloren gehen, falls diese von der optimalen Clustermenge abweicht. Abbildung 1-1 verdeutlicht den Zusammenhang zwischen optimaler und nicht optimaler Clustermenge: (an dieser Stelle befindet sich im Original eine Abbildung) Um die ¿richtige¿ Clusteranzahl automatisch zu ermitteln, existieren verschiedene Lösungsansätze. Ein Beispiel ist die Bestimmung des Parameters k mittels des sogenannten Silhouetten-Koeffizienten. Dieser bestimmt die Güte einer Clusteranalyse unabhängig von der Anzahl der Cluster. Dazu wird die Clusteranalyse mit verschiedenen Werten für den Parameter k durchgeführt, anschliessend wird aus der Menge der über den Silhouetten-Koeffizienten bewerteten Ergebnisse das ¿beste¿ Clustering ausgewählt. Eine weitere Möglichkeit stellt die Erweiterung des k-means, der x-means Algorithmus von Pelleg und Moore, dar. Bei diesem Verfahren wird ebenfalls keine feste Clusteranzahl [...]

Anbieter: Orell Fuessli CH
Stand: 24.02.2020
Zum Angebot
Der Two-Step-Clusteralgorithmus in SPSS: Method...
21,90 CHF *
ggf. zzgl. Versand

Studienarbeit aus dem Jahr 2008 im Fachbereich Statistik, Note: 1,7, Universität Passau (Wissenschaftliche Fakultät), Sprache: Deutsch, Abstract: Die Clusteranalyse ist ein multivariates statistisches Verfahren zur Klassenbildung. Das Ziel der Clusteranalyse besteht darin, möglichst homogene Gruppen aus einer Menge von Objekten zu klassifizieren, wobei sich die Gruppen möglichst heterogen voneinander unterscheiden sollen. [...] Bei der Auswahl des Clusteralgorithmus unterscheidet man zwischen den Hierarchischen Clusterverfahren und den Partitionierenden Clusterverfahren. Dabei werden die Hierarchische Clustermethoden in agglomerative und divisive Clusterverfahren unterteilt. Die agglomerativen hierarchischen Clusterverfahren beginnen mit der feinsten Partition [...]. Bei divisiven hierarchischen Clusterverfahren wird mit der gröbsten Partition gestartet [...]. Die partitionierenden Clusterverfahren beginnen mit einer fest vorgegebenen Anfangspartition, die im Bezug auf ein bestimmtes Gütekriterium, wie z.B. das Varianzkriterium, sukzessive verbessert wird. [...] Die partitionierenden Clusterverfahren unterscheiden sich in optimierende Austauschverfahren und Minimal-Distanz-Verfahren. [...] Der Two-Step-Clusteralgorithmus ist ein zweistufiges Clusterverfahren zur Klassenbildung. In der ersten Stufe des Verfahrens wird zunächst eine grobe und vereinfachte Clusterung aller Objekte vorgenommen, die dann in der zweiten Stufe mit einer rechenaufwändigeren hierarchischen Clusteranalyse zu präziseren Clustern verdichtet wird. [...] Dabei unterscheidet sich der Two-Step-Clusteralgorithmus in SPSS im Vergleich zu den anderen Clusterverfahren insbesondere im Algorithmus, nach dem die Clusterbildung vorgenommen wird. [...] Das Verfahren des Two-Step-Clusteralgorithmus basiert auf dem so genannten BIRCH-Algorithmus, der vorwiegend für die Clusterung sehr umfangreicher Datensätze angewendet wird. Im Folgenden wird ganz kurz der Ablauf des BIRCH-Algorithmus dargestellt. [...]

Anbieter: Orell Fuessli CH
Stand: 24.02.2020
Zum Angebot
Clustering und Evaluierung von Benutzerprofilen...
40,90 CHF *
ggf. zzgl. Versand

Diplomarbeit aus dem Jahr 2006 im Fachbereich Informatik - Internet, neue Technologien, Note: 1,3, Johann Wolfgang Goethe-Universität Frankfurt am Main (Professur für Datenbanken und Informationssysteme), 53 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: In Kapitel 2 werden die grundlegenden Begriffe und formalen Definitionen der Clusteranalyse diskutiert. Es wird auf die NP-H¿ arte des Clustereinteilungsproblems eingegangen. Die in der Literatur bestehenden Clusterverfahren werden anhand ihrer immanenten Eigenschaften klassifiziert und Prinzipien zur Bildung von Clustern thematisiert. Ein weiterer Abschnitt des Kapitels 2 befasst sich mit Abstands- bzw. Ähnlichkeitsfunktionen, die einen wesentlichen Bestandteil von Clusterverfahren bilden. Existierende, klassische Algorithmen zur Clusterbildung aus dem Bereich des Data Mining werden in Kapitel 3 erläutert. Nachdem die Clusterverfahren in Kapitel 2 klassifiziert wurden, werden in Kapitel 3 vier Klassen von Clusterverfahren näher beleuchtet: Hierarchische und partitionierende Verfahren, Fuzzy-Clustering und wahrscheinlichkeitsbasiertes Clustern. In Kapitel 4 wird ein Algorithmus zur Berechnung von Benutzerprofilen vorgestellt. Kapitel 5 gibt eine Beschreibung der Clusterbildung als Disziplin des Web Usage Mining. Der erste Abschnitt führt grundlegende Begriffe ein und motiviert die Anwendung der Clusteranalyse im Web Mining. Des Weiteren werden in Kapitel 5 die Parameter zum Clustern von Benutzern auf der Grundlage von non-obvious-user-profiles diskutiert. Die Aufgabe des zweiten Abschnittes dieses Kapitels ist die Beantwortung der Frage: ' Was kann alles geclustered werden?' Im dritten und letzten Abschnitt des Kapitels 5 wird zun¿ achst allgemein und anschliessend anhand eines Beispiels die Anwendung eines in der Praxis häufig eingesetzten, klassischen Clusterverfahrens auf non-obvious-userprofiles erläutert. Das Kapitel 6 ist der Vorstellung verwandter Arbeiten im Web Mining Umfeld gewidmet. Es werden sowohl zahlreiche, in der Literatur diskutierte Clusterverfahren als auch Ähnlichkeitsmasse präsentiert, erläutert, miteinander verglichen und kritisiert. In Kapitel 7 werden einige mögliche Anwendungen der Clusteranalyse im Bereich des Web Usage Mining diskutiert. Im Einzelnen handelt es sich um Recommender Systeme, Adaptive Websites, Prefetching Systeme und die selektive Kontaktierung von Kundengruppen. Kapitel 8 gibt eine Zusammenfassung der vorliegenden Arbeit.

Anbieter: Orell Fuessli CH
Stand: 24.02.2020
Zum Angebot
Die Methode der hierarchischen Clusteranalyse
13,40 € *
zzgl. 3,00 € Versand

Studienarbeit aus dem Jahr 2013 im Fachbereich Soziologie - Methodologie und Methoden, einseitig bedruckt, Note: 1,0, Universität Trier, Veranstaltung: Empirische Sozialforschung, Sprache: Deutsch, Abstract: Die Methode der Clusteranalyse unterscheidet sich deutlich von vielen anderen multivariaten Verfahren, da das Ziel nicht der Nachweis einer Kausalität ist, sondern vielmehr die Einteilung einer Grundgesamtheit in kleinere Einheiten. Spezifischer ausgedrückt dient die Clusteranalyse dazu, homogene Subgruppen aus einer heterogenen Gruppe herauszuarbeiten. Somit ist das Verfahren ein klassifikatorisches und kein kausal-analytisches. Die erste Problemstellung und gleichzeitig das Ziel der Clusteranalyse ist die Bestimmung der Klassenanzahl. Diese wird nicht vorab festgelegt, sondern ergibt sich vielmehr aus der Beziehungsstruktur der Objekte. Um die Anzahl zu ermitteln, gibt es verschiedene Möglichkeiten, welche nicht alle vorgestellt werden können. Vielmehr beschränkt sich diese Arbeit auf die hierarchische Clusteranalyse, da diese in der Praxis die weiteste Verbreitung gefunden hat. Bei der hierarchischen Clusteranalyse ist das Finden der Klassenanzahl ein Prozess, da die einzelnen Merkmalsträger auf Grund ihrer Ähnlichkeiten zueinander zu Gruppen zusammengefasst werden. Dies ist ein mehrstufiger Prozess, der im ersten Schritt einzelne Merkmalsträger zusammenfasst und inden darauffolgenden Stufen dann Subgruppen zusammenfügt. Die Anzahl der Klassen hängt somit auch davon ab wie oft man den Gruppierungsprozess vollzieht (Litz 2000: 384 & 385). Daher wird der Cluster-Algorithmus bis zum Maximum, so dass alle Elemente entweder in einem Cluster enthalten sind oder es so viele Cluster wie Objkete gibt, durchlaufen gelassen. Die optimale Anzahl der Gruppen muss der Forscher aus den offerierten Möglichkeiten selbstauswählen.

Anbieter: Thalia AT
Stand: 24.02.2020
Zum Angebot
Die Methode der hierarchischen Clusteranalyse
8,99 € *
ggf. zzgl. Versand

Studienarbeit aus dem Jahr 2013 im Fachbereich Soziologie - Methodologie und Methoden, Note: 1,0, Universität Trier, Veranstaltung: Empirische Sozialforschung, Sprache: Deutsch, Abstract: Die Methode der Clusteranalyse unterscheidet sich deutlich von vielen anderen multivariaten Verfahren, da das Ziel nicht der Nachweis einer Kausalität ist, sondern vielmehr die Einteilung einer Grundgesamtheit in kleinere Einheiten. Spezifischer ausgedrückt dient die Clusteranalyse dazu, homogene Subgruppen aus einer heterogenen Gruppe herauszuarbeiten. Somit ist das Verfahren ein klassifikatorisches und kein kausal-analytisches. Die erste Problemstellung und gleichzeitig das Ziel der Clusteranalyse ist die Bestimmung der Klassenanzahl. Diese wird nicht vorab festgelegt, sondern ergibt sich vielmehr aus der Beziehungsstruktur der Objekte. Um die Anzahl zu ermitteln, gibt es verschiedene Möglichkeiten, welche nicht alle vorgestellt werden können. Vielmehr beschränkt sich diese Arbeit auf die hierarchische Clusteranalyse, da diese in der Praxis die weiteste Verbreitung gefunden hat. Bei der hierarchischen Clusteranalyse ist das Finden der Klassenanzahl ein Prozess, da die einzelnen Merkmalsträger auf Grund ihrer Ähnlichkeiten zueinander zu Gruppen zusammengefasst werden. Dies ist ein mehrstufiger Prozess, der im ersten Schritt einzelne Merkmalsträger zusammenfasst und in den darauffolgenden Stufen dann Subgruppen zusammenfügt. Die Anzahl der Klassen hängt somit auch davon ab wie oft man den Gruppierungsprozess vollzieht (Litz 2000: 384 & 385). Daher wird der Cluster-Algorithmus bis zum Maximum, so dass alle Elemente entweder in einem Cluster enthalten sind oder es so viele Cluster wie Objkete gibt, durchlaufen gelassen. Die optimale Anzahl der Gruppen muss der Forscher aus den offerierten Möglichkeiten selbst auswählen.

Anbieter: Thalia AT
Stand: 24.02.2020
Zum Angebot