Skip to main content

Methoden zur Clusteranalyse und Visualisierung hochdimensionaler Datenmengen

  • Conference paper
Book cover Mustererkennung 1995

Part of the book series: Informatik aktuell ((INFORMAT))

Abstract

Jede Art von Datenanalyse beginnt damit, daß man sich zunächst einen Uberblick über die vorliegenden Daten verschafft, wobei man vielleicht schon im Ansatz Strukturen erkennt. Dieses Vorstadium jedes noch so elaborierten Datenanalysevebfahrens bleibt meist dem menschlichen Beobachter überlassen. So verschafft uns beispielsweise bei einer großen Menge von zweidimensionalen Datenpunkten ein optisches Display einen Überblick. Es ist ein wichtiges Problem im Bereich der prärationalen maschinellen Intelligenz, diese scheinbar so einfache menschliche Fähigkeit nachzubilden. Allerdings ist auch der Mensch bei vielen hochdimensionalen Datenpunkten meist außerstande, sich einen Überblick zu verschaffen. Hier könnten kluge Datenverarbeitungsmethoden helfen.

This is a preview of subscription content, log in via an institution to check access.

Access this chapter

Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 49.99
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 59.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info

Tax calculation will be finalised at checkout

Purchases are for personal use only

Institutional subscriptions

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. J. Bacher. Clusteranalyse, R. Oldenbourg Verlag, München Wien, 1994.

    Google Scholar 

  2. C. Darken and J. Moody. Fast adaptive k-means clustering: Some empirical results. In Proceedings International Joint Conference on Neural Networks, 1990.

    Google Scholar 

  3. R. Duda and R Hart. Pattern Classification and Scene Analysis. John Wiley & Sons, New York, 1973.

    MATH  Google Scholar 

  4. K. Fukunaga. Introduction to Statistical Pattern Recognition. Academic Press, New York and London, 1972.

    Google Scholar 

  5. T. Kohonen. The self-organizing map. Proc. IEEE, 78(9): 1464–1480, 1990.

    Article  Google Scholar 

  6. U. Kreßel. The Impact of the Learning-Set Size in Handwritten-Digit Recognition. In T. Kohonen, editor. Artificial Neural Networks. ICANN-91, North-Holland, 1991.

    Google Scholar 

  7. R. Schnell. Graphisch gestützte Datenanalyse. R. Oldenbourg Verlag, München Wien, 1994.

    Google Scholar 

  8. D.W. Scott. Multivariate Density Estimation. John Wiley k Sons, New York, 1992.

    Book  MATH  Google Scholar 

  9. H. Späth. Cluster-Formation und -Analyse. R. Oldenbourg Verlag, München Wien, 1983.

    Google Scholar 

  10. C.W. Therrien. Decision Estimation and Classification. John Wiley Sz Sons, New York, 1989.

    MATH  Google Scholar 

Download references

Author information

Authors and Affiliations

Authors

Editor information

Editors and Affiliations

Rights and permissions

Reprints and permissions

Copyright information

© 1995 Springer-Verlag Berlin Heidelberg

About this paper

Cite this paper

Schwenker, F., Palm, G. (1995). Methoden zur Clusteranalyse und Visualisierung hochdimensionaler Datenmengen. In: Sagerer, G., Posch, S., Kummert, F. (eds) Mustererkennung 1995. Informatik aktuell. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-79980-8_64

Download citation

  • DOI: https://doi.org/10.1007/978-3-642-79980-8_64

  • Publisher Name: Springer, Berlin, Heidelberg

  • Print ISBN: 978-3-540-60293-4

  • Online ISBN: 978-3-642-79980-8

  • eBook Packages: Springer Book Archive

Publish with us

Policies and ethics