도움말

계층 발생 프레임워크를 이용한 군집 계층 시각화

Visualizing Cluster Hierarchy Using Hierarchy Generation Framework
정보과학회 컴퓨팅의 실제 논문지 제21권 제6호, 2015.06, 436-441 (6 pages)
인용정보 복사
Quick View Quick View
구매하기 6,000원
인용하기
이용수 : 68건
피인용수 : 0건
분야내 활용도 : 10%
자세히 보기 >

· 이용수 : 2010년부터 집계한 원문다운로드수

· 피인용수 : DBpia 논문 가운데 해당 논문을 인용한 논문수

· 분야내 활용도 : 최근 24개월간 DBpia 이용수를 기준으로 산출 / 0%에 가까울 수록 활용도가 높고, 100%에 가까울 수록 활용도가 낮음

초록
군집화 알고리즘은 그 종류에 따라 만들어낼 수 있는 군집의 종류와 보여줄 수 있는 정보의 수준이 차이가 난다. 밀도기반 군집화 알고리즘은 데이터 분포 상의 임의의 모양을 가진 군집을 잘 잡아내지만 보여줄 수 있는 계층정보가 매우 적거나 없는 수준이고, 반면 계층적 군집화 알고리즘은 자세한 계층 정보를 보여주지만 구 모양의 군집 외에는 잘 잡아내지 못한다. 이 논문에서는 이러한 두 군집화 방식의 대표적 알고리즘인 OPTICS와 응집 계층 군집화 알고리즘의 장점만을 취하는 계층 발생 프레임워크를 제시하고 이와 더불어 효과적 데이터 분석을 위한 여러 시각화, 상호작용 기법을 지원하는 시각적 분석 애플리케이션을 제공한다.

There are many types of clustering algorithms such as centroid, hierarchical, or density-based methods. Each algorithm has unique data grouping principles, which creates different varieties of clusters. Ordering Points To Identify the Clustering Structure (OPTICS) is a well-known density-based algorithm to analyze arbitrary shaped and varying density clusters, but the obtained clusters only correlate loosely. Hierarchical agglomerative clustering (HAC) reveals a hierarchical structure of clusters, but is unable to clearly find non-convex shaped clusters. In this paper, we provide a novel hierarchy generation framework and application which can aid users by combining the advantages of the two clustering methods.

목차
요약
Abstract
1. 서론
2. 군집화의 계층 발생 프레임워크
3. 시각화 및 상호작용 기법
4. 데이터 분석 기법의 비교 및 논의
5. 결론 및 향후 연구
References
키워드
참고문헌 (12)

현재 논문의 참고문헌을 찾아 신청해주세요!

  1. N. Soni , 2012 , Categorization of Several Clustering Algorithms from Different Persepctive:A Review , International Journal of Advanced Research in Computer Science and Software Engineering 2 (8) : 63 ~ 68

  2. M. Ankerst , 1999 , OPTICS: Ordering Points To Identify the Clustering Structure , Proc. of the 26th ACM Special Interest Group on Management of Data : 49 ~ 60

  3. J. Sander , 2003 , Automatic Extraction of Clusters from Hierarchical Clustering Representations , Proc. of the 7th Pacific-Asia Conference on Knowledge Discovery and Data Mining : 75 ~ 87

  4. R. J. G. B. Campello , 2013 , Density-Based Clustering Based on Hierarchical Density Estimates , Proc. of the 17th Pacific-Asia Conference on Knowledge Discovery and Data Mining : 160 ~ 172

  5. M. F. Balcan , 2010 , Robust Hierarchical Clustering , Proc. of the 23rd Annual Conference on Learning Theory : 282 ~ 294

  6. B. Shneiderman , 1994 , Dynamic Queries for Visual Information Seeking , IEEE Software 11 (6) : 70 ~ 77

  7. J. Chen , 2009 , Constructing Overview + Detail Dendrogram-Matrix Views , IEEE Trans. on Visualization and Computer Graphics 15 (6) : 889 ~ 896

  8. A. Buja , 1991 , Interactive Data Visualization using Focusing and Linking , Proc. of the 2nd IEEE Conference on Visualization : 156 ~ 163

  9. H. Chang , 2008 , Robust Path-based Spectral Clustering , Pattern Recognition 41 (1) : 191 ~ 203

  10. J. Seo , 2002 , Interactively Exploring Hierarchical Clustering Results , IEEE Computer 35 (7) : 80 ~ 86

  • 처음
  •  
  • 이전
  •  
  • 1
  •  
  • 2
  •  
  • 다음
  •  
  • 마지막
인용된 논문 (0)

알림서비스 신청하고 '인용된 논문' 정보를 메일로 확인 하세요!

해당 논문은 인용된 논문 정보가 없습니다.

제 1 저자의 다른 논문 (10)

신동화 식별저자 저자의 상세정보를 확인해 보세요.

권호 내 다른 논문 (8)

정보과학회 컴퓨팅의 실제 논문지 제21권 제6호 의 상세정보를 확인해 보세요.

추천 논문 (5)

DBpia 추천논문과 함께 다운받은 논문을 제공합니다. 논문 초록의 텍스트마이닝과 이용 및 인용 관계 분석을 통해 추천해 드리는 연관논문을 확인해보세요.

DBpia 추천논문

더 많은 추천논문을 확인해 보세요!

함께 다운받은 논문

해당 논문은 함께 다운받은 논문 정보가 없습니다.

지표

이용현황

· 이용수

· 이용순위 상위 Top3

자세히 보기 >
No 상위 이용이관 이용수
1 KAIST 6
2 서울대학교 4
3 포항공과대학교 3

활용도

· 활용지수

· 논문의 활용도 추이 (주제분야 기준)

자세히 보기 >

: %

2016-09
2016-10
2016-11
2016-12
0
20
40
60
80
100
  • 0%
  • 20%
  • 40%
  • 60%
  • 80%
  • 100%

피인용수

상세정보
저작권 정책

누리미디어에서 제공되는 모든 저작물의 저작권은 원저작자에게 있으며, 누리미디어는 각 저작물의 내용을 보증하거나 책임을 지지 않습니다. 단, 누리미디어에서 제공되는 서지정보는 저작권법에 의해 보호를 받는 저작물로, 사전 허락 없이 임의로 대량 수집하거나 프로그램에 의한 주기적 수집 이용, 무단 전재, 배포하는 것을 금하며, 이를 위반할 경우, 저작권법 및 관련법령에 따라 민, 형사상의 책임을 질 수 있습니다.

맨 위로 이동