Skip to main content
SpringerLink
Log in

Structure and Mathematical Representation of Data

  • Chapter
  • First Online:
Foundations and Methods in Combinatorial and Statistical Data Analysis and Clustering

Part of the book series: Advanced Information and Knowledge Processing ((AI&KP))

  • 1650 Accesses

Abstract

In Chap. 2 two basic methods of non-hierarchical clustering were presented: the “transfer” method and the “dynamic adaptative method”. Frequently, a clustering method is related to a given type of data.

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

Access this chapter

Log in via an institution
Chapter
USD 29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD 129.00
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever
Softcover Book
USD 169.99
Price excludes VAT (USA)
  • Compact, lightweight edition
  • Dispatched in 3 to 5 business days
  • Free shipping worldwide - see info
Hardcover Book
USD 169.99
Price excludes VAT (USA)
  • Durable hardcover 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

Notes

  1. 1.

    (I.e. no attribute can be derived from other).

  2. 2.

    The ordinal similarity between \(c_{g}\) and \(c_{h}\) is the same as that between \(c_{h}\) and \(c_{g}\), \(1 \le g \le h \le K\).

References

  1. Benzécri, J.P.: L’analyse des données. tome II, Dunod (1973)

    Google Scholar 

  2. Billard, L., Diday, E.: Symbolic Data Analysis: Conceptual Statistics and Data Mining. Wiley, Hoboken (2006)

    Book  MATH  Google Scholar 

  3. Celeux, G., Govaert, G.: Comparison of the mixture and the classification maximum likelihood in cluster analysis. J. Stat. Comput. Simul. 3–4(47), 127–146 (1993)

    Article  Google Scholar 

  4. Chah, S.: Critères de classification sur des données hétérogènes. Revue de Statistique Appliquée 33(2), 19–36 (1985)

    MathSciNet  Google Scholar 

  5. Fisher, W.D.: On grouping with maximum homogeneity. J. Am. Stat. Assoc. (53), 4–29 (1958)

    Google Scholar 

  6. Ghazzali, A., Léger, N., Lerman, I.C.: Rôle de la classification statistique dans la compression du signal image: panorama et une étude spécifique de cas. La Revue de Modulad. (14), 51–89 (1994)

    Google Scholar 

  7. Ghazzali, N.: Comparaison et réduction d’ arbres de classification, en relation avec des problèmes de quantification en imagerie numérique. Ph.D. thesis, Université de Rennes 1, mai (1992)

    Google Scholar 

  8. Giakoumakis, V., Monjardet, B.: Coefficients d’ accord entre deux préordres totaux. Mathématiques et Sciences Humaines. (98), 69–87 (1987)

    Google Scholar 

  9. Goodman, L.A., Kruskal, W.H.: Measures of association for cross classifications. J. Am. Stat. Assoc. (49), 732–764 (1954)

    Google Scholar 

  10. Guénoche, A., Monjardet, B.: Méthodes ordinales et combinatoires en analyse des données. Mathématiques et Sciences Humaines. (100), 5–47 (1987)

    Google Scholar 

  11. Hubert, L.J.: Assignment methods in combinatorial data analysis. Numerical Taxonomy. Marcel Dekker, New York (1987)

    Google Scholar 

  12. Kendall, M.G.: Rank correlation methods. Charles Griffin, 1st edn 1970 (1948)

    Google Scholar 

  13. Kerjean, A.M.: Tentative d’établissement de 100 typologies d’examens biologiques. Contribution à l’établissement du système A.D.M. Doctorat d’État. Ph.D. thesis, Université de Rennes 1 (1978)

    Google Scholar 

  14. Lafaye, J.Y.: Une méthode de discrétisation de variables continues. Revue de Statistique Appliquée, (27), 39–53 (1979)

    Google Scholar 

  15. Lebbe, J., Dedet, J.P., Vignes, R.: Identification assistée par ordinateur des phlébotomes de la Guyane Française. Publication Interne Version 1.02, Institut Pasteur de la Guyane Française, Juillet (1987)

    Google Scholar 

  16. Lerman, I.C.: Les bases de la classification automatique. Gauthier-Villars, Paris (1970)

    MATH  Google Scholar 

  17. Lerman, I.C.: Étude distributionnelle de statistiques de proximité entre structures finies de même type; application à la classification automatique. Cahiers du Bureau Universitaire de Recherche Opérationnelle. (19), 1–52 (1973)

    Google Scholar 

  18. Lerman, I.C.: Classification et analyse ordinale des données. Dunod. http://www.brclasssoc.org.uk/books/index.html (1981)

  19. Lerman, I.C.: Construction d ’ un indice de similarité entre objets décrits par des variables d’ un type quelconque. application au problème de consensus en classification. Revue de Statistique Appliquée XXXV(2), 39–60 (1987)

    MathSciNet  MATH  Google Scholar 

  20. Lerman, I.C.: Conception et analyse de la forme limite d ’ une famille de coefficients statistiques d ’ association entre variables relationnelles, i. Revue Mathématique Informatique et Sciences Humaines (118), 35–52 (1992)

    Google Scholar 

  21. Lerman, I.C.: Conception et analyse de la forme limite d ’ une famille de coefficients statistiques d ’ association entre variables relationnelles, ii. Revue Mathématique Informatique et Sciences Humaines (119), 75–100 (1992)

    Google Scholar 

  22. Lerman, I.C.: Likelihood linkage analysis (lla) classification method (around an example treated by hand). Biochimie (75), 379–397 (1993)

    Google Scholar 

  23. Lerman, I.C.: Comparing classification tree structures: a special case of comparing q-ary relations. RAIRO-Ope. Res. (33), 339–365 (1999)

    Google Scholar 

  24. Lerman, I.C.: Comparing taxonomic data. Revue Mathématiques et Sciences Humaines(150), 37–51 (2000)

    Google Scholar 

  25. Lerman, I.C.: Analyse de la vraisemblance des liens relationnels une méthodologie d ’ analyse classificatoire des données. In Younès Benani and Emmanuel Viennet, editors, RNTI A3, Revue des Nouvelles Technologies de l’Information, pp. 93–126. Cèpaduès (2009)

    Google Scholar 

  26. Lerman, I.C., Guillaume, S.: Comparaison entre deux indices pour l’évaluation probabiliste discriminante des règles d ’ association. In Ali Khenchaf and Pascal Poncelet, editors, EGC’2011, RNTI E.20, pp. 647–656. Hermann (2011)

    Google Scholar 

  27. Lerman, I.C., Kuntz, P.: Directed binary hierarchies and directed ultrametrics. J. of Classif. (2011) (in press)

    Google Scholar 

  28. Lerman, I.C., Peter, Ph.: Organisation et consultation d ’ une banque de petites annonces à partir d ’ une méthode de classification hiérarchique en parallèle. In Data Analysis and Informatics IV, pp. 121–136. North Holland (1986)

    Google Scholar 

  29. Lerman, I.C., Peter, Ph.: Classification en présence de variables préordonnances taxonomiques à choix multiple. application à la structuration des phlébotomes de la Guyane Française. Publication Interne 426, IRISA-INRIA, Septembre (1988)

    Google Scholar 

  30. Lerman, I.C., Peter, Ph.: Indice probabiliste de vraisemblance du lien entre objets quelconques : analyse comparative entre deux approches. Revue de Statistique Appliquée, (LI(1)): 5–35 (2003)

    Google Scholar 

  31. Lerman, I.C., Peter, Ph: Representation of concept description by multivalued taxonomic preordonance variables. In: Cucumel, G., Brito, P., Bertrand, P., Carvalho, F. (eds.) Selected Contributions in Data Analysis and Classification, pp. 271–284. Springer, Berlin (2007)

    Chapter  Google Scholar 

  32. Lerman, I.C., Rouxel, F.: Comparing classification tree structures: a special case of comparing q-ary relations ii. RAIRO-Oper. Res. (34), 251–281 (2000)

    Google Scholar 

  33. Lerman, I.C., Tallur, B.: Classification des éléments constitutifs d ’ une juxtaposition de tableaux de contingence. Revue de Statistique Appliquée (28), 5–28 (1980)

    Google Scholar 

  34. Marcotorchino, F.: Essai de typologie structurelle des indices de similarité vectoriels par unification relationnelle. In Younès Benani and Emmanuel Viennet, editors, RNTI A3, Revue des Nouvelles Technologies de l’Information, pp. 203–318. Cèpaduès (2009)

    Google Scholar 

  35. Marcotorchino, F., Michaud, P.: Optimisation en analyse ordinale des données. Masson (1979)

    Google Scholar 

  36. Ouali-Allah, M.: Analyse en préordonnance des données qualitatives. Application aux données numériques et symboliques. Ph.D. thesis, Université de Rennes 1, décembre (1991)

    Google Scholar 

  37. Peter, Ph.: Méthodes de classification hiérarchique et problèmes de structuration et de recherche d informations assistée par ordinateur. Ph.D. thesis, Université de Rennes 1,mars (1987)

    Google Scholar 

  38. Rabaseda, S., Rakotomalala, R., Sebban, M.: Discretization of continuous attributes: a survey of methods. In Proceedings of the second Annual Joint Conference on Information Sciences, pp. 164–166 (1995)

    Google Scholar 

  39. Régnier, S.: Sur quelques aspects mathématiques des problèmes de la classification automatique. I.C.C. Bulletin (4), 175–191 (1965)

    Google Scholar 

  40. Schroeder, A.: Analyse d ’ un mélange de distributions de même type. Revue de Statistique Appliquée (24), 53–62 (1976)

    Google Scholar 

  41. Spearman, C.: The proof and measurement of association between two things. Am. J. Psychol. 15(1), 72–101 (1904)

    Article  Google Scholar 

  42. Stevens, S.S.: Mathematics, measurement and psychophysics. In Stevens, S.S. (ed.), Handbook of Experimental Psychology, pp. 1–49. New York, Wiley (1951)

    Google Scholar 

  43. Suppes, P., Zinnes, J.L.: Basic measurement theory. In: Bush, R.R., et al., Luce, R.D., Galanter, E.H. (eds.) Handbook of Mathematical Psychology, pp. 3–76. Wiley, New York (1951)

    Google Scholar 

  44. Sutcliffe, J.P.: Concept, class, and category in the tradition of aristotle. Categories and Concepts: Theoretical News and Inductive Data Analysis, pp. 35–65. Academic Press, London (1992)

    Google Scholar 

  45. Symons, M.J.: Clustering criteria and multivariate normal mixture. Biometrics (37), 35–43 (1981)

    Google Scholar 

  46. Tallur, B.: Contribution à l’analyse exploratoire de tableaux de contingence par la classification, Doctorat d \(\acute{\acute{E}}\) tat. Ph.D. thesis, Université de Rennes 1, (1988)

    Google Scholar 

  47. Tarski, A.: Contribution to the theory of models. Indag. Math. (16), 572–588 (1954)

    Google Scholar 

  48. Ward, J.H.: Hierarchical grouping to optimize an objective function. J. Am. Stat. Assoc. (58), 236–244 (1963)

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Department of Data Knowledge and Management, University of Rennes 1, IRISA, Rennes, Ille-et-Vilaine, France

    Israël César Lerman

Authors
  1. Israël César Lerman
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Israël César Lerman .

Rights and permissions

Reprints and permissions

Copyright information

© 2016 Springer-Verlag London

About this chapter

Cite this chapter

Lerman, I.C. (2016). Structure and Mathematical Representation of Data. In: Foundations and Methods in Combinatorial and Statistical Data Analysis and Clustering. Advanced Information and Knowledge Processing. Springer, London. https://doi.org/10.1007/978-1-4471-6793-8_3

Download citation

  • DOI: https://doi.org/10.1007/978-1-4471-6793-8_3

  • Published:

  • Publisher Name: Springer, London

  • Print ISBN: 978-1-4471-6791-4

  • Online ISBN: 978-1-4471-6793-8

  • eBook Packages: Computer ScienceComputer Science (R0)

Publish with us

Policies and ethics

Search

Navigation