Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2017 - zeszyt 1

Mini-model method based on k-means clustering

10.15199/48.2017.01.18

nr katalogowy: 103190
10.15199/48.2017.01.18

Mini-model method (MM-method) is an instance-based learning algorithm similarly as the k-nearest neighbor method, GRNN network or RBF network but its idea is different. MM operates only on data from the local neighborhood of a query. The paper presents new version of the MM-method which is based on k-means clustering algorithm. The domain of the model is calculated using k-means algorithm. Clustering method makes the learning procedure simpler. Streszczenie. Metoda mini-modeli (metoda MM) jest algorytmem bazuja˛cym na próbkach podobnie jak metoda k-najbliz˙szych sa˛siadów, siec´ RBF czy sie´c GRNN ale jej zasada działania jest inna. MM operuje tylko na danych z najbli˙zszego otoczenia punktu zapytania. Artykuł prezentuje nowa˛ wersje˛ metody MM, która bazuje na algorytmie k-s´rednich. Domena MM jest obliczana przy pomocy algorytmu k-s´rednich. Uz˙ycie algorytmu klasteryzacji upros´ciło procedure˛ uczenia. (Metoda mini-modeli bazuja˛ca na algorytmie k-s´ rednich) Keywords: mini-model, local self-learning, function approximation, instance-based learning, k-means Słowa kluczowe: mini-modele, lokalne samouczenie, aproksymacja funkcji, algorytm bazuja˛cy na próbkach, algorytm k-s´rednich Introduction The paper presents new version of the mini-models method based on k-means clustering algorithm. The Minimodel method (MM-method) already was described in many publications. General idea was developed by Piegat [1] and depends on assumption that in the modeling task very often we are only interested in an answer to a specific query. Approach presented by global methods such as neural networks, neuro-fuzzy networks, polynomial approximation and other can be successfully replaced by a local constrained mini-model. MM operates only on the data from the local neighborhood of a query. Thus, learning process of MMmethod is in fact the identification process of a mathematical function, which describes the dependence between input and output variable[...]

Bibliografia

[1] Piegat, A., Wasikowska, B., Korze´ n, M.: Differences between the method of mini-models and the k-nearest neighbors an example of modeling unemployment rate in Poland. Information Systems in management IX-Business Intelligence and Knowledge Management. WULS Press, Warsaw, 34-43, (2011)
[2] Pietrzykowski, M.: Comparison between mini-models based on multidimensional polytopes and k-nearest neighbor method: case study of 4D and 5D problems. Series: Advances in Intelligent Systems and Computing, vol. 342, pp. 107-118, Springer Verlag, (2015)
[3] Pietrzykowski, M., Piegat, A.: Geometric Approach in Local Modeling: Learning of Mini-Models Based on n-Dimensional Simplex Artificial Intelligence and Soft Computing, Lecture Notes in Computer Science Volume 9120, pp. 460-470 (2015)
[4] Pluci ´ nski, M.: Mini-models - Local Regression Models for the Function Approximation Learning. In Rutkowski L. et. al. Proceedings of ICAISC 2012, Part II, LNCS 7268, Springer-Verlag Berlin Heidelberg, pp. 160-167, (2012)
[5] Pluci ´ nski, M.: Evaluation of the mini-models robustness to data uncertainty with the application of the information-gap theory. Artificial intelligence and soft computing : 12th International Conference, ICAISC 2013, Springer, 2013 pp. 230-241, (2013)
[6] Pluci ´ nski, M.: Application of Mini-Models to the Interval Information Granules Processing. Series: Advances in Intelligent Systems and Computing, vol. 342, pp. 37-48, Springer Verlag, (2015)
[7] Russell, S., Norvig, P.: Artificial Intelligence: A Modern Approach, second edition, Prentice Hall. ISBN 0-13-080302-2, (2003)
[8] Samworth, R.J.: Optimal Weighted Nearest Neighbour Classifiers, Annals of Statistics, vol. 40(5), pp. 2733-2763, (2012)
[9] Nose, K., Lotufo, A.D.P., Minussi, C.R.: Short-Term Multinodal Load Forecasting Using a Modified General Regression Neural Network. IEEE Transactions on Power Delivery, vol. 26 (4), pp. 2862-2869, (2011)
[10] Lin, C.L., Wang, J.F., Chen, C.Y., Chen, C.W., Yen, C.W.: Improving the generalization performance of RBF neural networks using a linear regression technique. Expert Systems with Applications, vol. 36 (10), pp. 12049-12053, (2009)
[11] Jain, A. K. Data clustering: 50 years beyond K-means. IEEE Pattern Recognition Letters, vol. 31 (8), pp. 651-666, (2010)
[12] Celebi, M. E., Kingravi, H. A., Vela, P. A.: A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert systems with applications, vol. 40 (1), pp. 200- 201, (2013)
[13] David, A., Vassilvitskii, S.: K-means++: The Advantages of Careful Seeding. SODA ‘07: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, pp. 1027-1035, (2007)
[14] Kutner, M. H., Nachtsheim, C. J., Neter, J., et al.: Applied Linear Statistical Models. McGraw-Hill/Irwin, ISBN 9780073108742, (2005)
[15] Ruppert D., Wand M.P.: Multivariate locally weighted leastsquares regression. Annals of Statistics, vol. 22 (3), pp. 1346- 1370, (1994)
[16] UCI MACHINE LEARNING REPOSITORY, http://archive.ics.uci.edu/ml/ Authors: Ph.D. Marcin Pluci ´ nski, M. Sc. Marcin Pietrzykowski, Faculty of Computer Science and Information Technology, West Pomeranian University of Technology, Z˙ołnierska 49, 71-210 Szczecin, Poland, email: mpluci´nski@wi.zut.edu.pl, mpietrzykowski@wi.zut.edu.pl

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


e-Publikacja (format pdf) - nr 103190 "Mini-model method based o..." licencja: Osobista Produkt cyfrowy	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2017-1 licencja: Osobista Produkt cyfrowy	55.00 zł
PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2017-10 licencja: Osobista Produkt cyfrowy	55.00 zł
PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2017-11 licencja: Osobista Produkt cyfrowy	55.00 zł
PRZEGLĄD ELEKTROTECHNICZNY - e-zeszyt (pdf) 2017-12 licencja: Osobista Produkt cyfrowy	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2017-1

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma