Vous en avez un à vendre?

Méthodologie de classification des données symboliques : par billard, Lynne, Diday, Edwin

État :
Entièrement neuf
2 disponibles
Prix :
109,44 $US
Environ149,18 $C
Ayez l'esprit tranquille. Renvois acceptés.
Expédition :
Sans frais Expédition au tarif économique. En savoir plussur l'expédition
Lieu : Wharton, New Jersey, États-Unis
Livraison :
Livraison prévue entre le mer. 5 juin et le sam. 8 juin à 43230
Le délai de livraison est estimé en utilisant notre méthode exclusive, basée sur la proximité de l'acheteur du lieu où se trouve l'objet, le service d'expédition sélectionné, l'historique d'expédition du vendeur et d'autres facteurs. Les délais de livraison peuvent varier, particulièrement lors de périodes achalandées.
Renvois :
Renvoi sous 30jours. L'acheteur paie les frais de port du renvoi. En savoir plus- pour en savoir plus sur les renvois
Paiements :
     

Magasinez en toute confiance

Garantie de remboursement eBay
Recevez l'objet commandé ou obtenez un remboursement. 

Informations sur le vendeur

Inscrit comme vendeur professionnel
Le vendeur assume l'entière responsabilité de cette annonce.
Numéro de l'objet eBay :364493994599
Dernière mise à jour : oct. 29, 2023 17:38:52 HAEAfficher toutes les modificationsAfficher toutes les modifications

Caractéristiques de l'objet

État
Entièrement neuf: Un livre neuf, non lu, non utilisé et en parfait état, sans aucune page manquante ...
ISBN
9780470713938
Publication Name
Clustering Methodology for Symbolic Data
Item Length
9.1in
Publisher
Wiley & Sons, Incorporated, John
Series
Wiley Series in Computational Statistics Ser.
Publication Year
2019
Type
Textbook
Format
Hardcover
Language
English
Item Height
0.9in
Author
Edwin Diday, Lynne Billard
Item Width
6.2in
Item Weight
20.8 Oz
Number of Pages
352 Pages

À propos de ce produit

Product Information

Symbolic data analysis is a relatively new field that provides a range of methods for analyzing complex datasets. Standard statistical methods do not have the power or flexibility to make sense of very large datasets, and symbolic data analysis techniques have been developed in order to extract knowledge from such a data.

Product Identifiers

Publisher
Wiley & Sons, Incorporated, John
ISBN-10
0470713933
ISBN-13
9780470713938
eBay Product ID (ePID)
204249830

Product Key Features

Author
Edwin Diday, Lynne Billard
Publication Name
Clustering Methodology for Symbolic Data
Format
Hardcover
Language
English
Series
Wiley Series in Computational Statistics Ser.
Publication Year
2019
Type
Textbook
Number of Pages
352 Pages

Dimensions

Item Length
9.1in
Item Height
0.9in
Item Width
6.2in
Item Weight
20.8 Oz

Additional Product Features

Lc Classification Number
Qa278.55.B55 2019
Table of Content
1 Introduction 1 2 Symbolic Data: Basics 7 2.1 Individuals, Classes, Observations, and Descriptions 8 2.2 Types of Symbolic Data 9 2.2.1 Multi-valued or Lists of Categorical Data 9 2.2.2 Modal Multi-valued Data 10 2.2.3 Interval Data 12 2.2.4 Histogram Data 13 2.2.5 Other Types of Symbolic Data 14 2.3 How do Symbolic Data Arise? 17 2.4 Descriptive Statistics 24 2.4.1 Sample Means 25 2.4.2 Sample Variances 26 2.4.3 Sample Covariance and Correlation 28 2.4.4 Histograms 31 2.5 Other Issues 38 Exercises 39 Appendix 41 3 Dissimilarity, Similarity, and Distance Measures 47 3.1 Some General Basic Definitions 47 3.2 Distance Measures: List or Multi-valued Data 55 3.2.1 Join and Meet Operators for Multi-valued List Data 55 3.2.2 A Simple Multi-valued Distance 56 3.2.3 Gowda-Diday Dissimilarity 58 3.2.4 Ichino-Yaguchi Distance 60 3.3 Distance Measures: Interval Data 62 3.3.1 Join and Meet Operators for Interval Data 62 3.3.2 Hausdorff Distance 63 3.3.3 Gowda-Diday Dissimilarity 68 3.3.4 Ichino-Yaguchi Distance 73 3.3.5 de Carvalho Extensisons of Ichino-Yaguchi Distances 76 3.4 Other Measures 79 Exercises 79 Appendix 82 4 Dissimilarity, Similarity, and Distance Measures: Modal Data 83 4.1 Dissimilarity/Distance Measures: Modal Multi-valued List Data 83 4.1.1 Union and Intersection Operators for Modal Multi-valued List Data 84 4.1.2 A Simple Modal Multi-valued List Distance 85 4.1.3 Extended Multi-valued List Gowda-Diday Dissimilarity 87 4.1.4 Extended Multi-valued List Ichino-Yaguchi Dissimilarity 90 4.2 Dissimilarity/Distance Measures: Histogram Data 93 4.2.1 Transformation of Histograms 94 4.2.2 Union and Intersection Operators for Histograms 98 4.2.3 Descriptive Statistics for Unions and Intersections 101 4.2.4 Extended Gowda-Diday Dissimilarity 104 4.2.5 Extended Ichino-Yaguchi Distance 108 4.2.6 Extended de Carvalho Distances 112 4.2.7 Cumulative Density Function Dissimilarities 115 4.2.8 Mallows'' Distance 117 Exercises 118 5 General Clustering Techniques 119 5.1 Brief Overview of Clustering 119 5.2 Partitioning 120 5.3 Hierarchies 125 5.4 Illustration 131 5.5 Other Issues 146 6 Partitioning Techniques 149 6.1 Basic Partitioning Concepts 150 6.2 Multi-valued List Observations 153 6.3 Interval-valued Data 159 6.4 Histogram Observations 169 6.5 Mixed-valued Observations 177 6.6 Mixture Distribution Methods 179 6.7 Cluster Representation 186 6.8 Other Issues 189 Exercises 191 Appendix 193 7 Divisive Hierarchical Clustering 197 7.1 Some Basics 197 7.1.1 Partitioning Criteria 197 7.1.2 Association Measures 200 7.2 Monothetic Methods 203 7.2.1 Modal Multi-valued Observations 205 7.2.2 Non-modal Multi-valued Observations 214 7.2.3 Interval-valued Observations 216 7.2.4 Histogram-valued Observations 225 7.3 Polythethic Methods 236 7.4 Stopping Rule R 250 7.5 Other Issues 257 Exercises 258 8 Agglomerative Hierarchical Clustering 261 8.1 Agglomerative Hierarchical Clustering 261 8.1.1 Some Basic Definitions 261 8.1.2 Multi-valued List Observations 266 8.1.3 Interval-valued Observations 269 8.1.4 Histogram-valued Observations 278 8.1.5 Mixed-valued Observations 281 8.1.6 Interval Observations with Rules 282 8.2 Pyramidal Clustering 289 8.2.1 Generality Degree 289 8.2.2 Pyramid Construction Based on Generality Degree 297 8.2.3 Pyramids from Dissimilarity Matrix 309 8.2.4 Other Issues 312 Exercises 313 Appendix 315 References 317 Index 331
Copyright Date
2020
Topic
Probability & Statistics / General, Databases / Data Mining
Lccn
2019-011642
Intended Audience
Scholarly & Professional
Genre
Computers, Mathematics

Description de l'objet du vendeur

ShopSpell

ShopSpell

98,5% d'évaluations positives
75K objets vendus
Visiter la BoutiqueContacter

Évaluations détaillées du vendeur

Moyenne au cours des 12 derniers mois

Qualité de la description
4.9
Justesse des frais d'expédition
5.0
Rapidité de l'expédition
5.0
Communication
4.9

Catégories populaires de cette Boutique

Évaluations comme vendeur (21 761)

a***f (1374)- Évaluation laissée par l'acheteur.
Dernier mois
Achat vérifié
I have cancer. This book is beautiful!
g***o (368)- Évaluation laissée par l'acheteur.
Dernier mois
Achat vérifié
Excellent service
m***h (676)- Évaluation laissée par l'acheteur.
Dernier mois
Achat vérifié
Fast shipping, great experience, 5-star seller. Thank you.

Évaluations et avis sur le produit

Aucune évaluation ni aucun avis jusqu'à maintenant.
Soyez le premier à rédiger un avis.