Original title: Diskriminační a shluková analýza jako nástroj klasifikace objektů
Translated title: Discriminant and cluster analysis as a tool for classification of objects
Authors: Rynešová, Pavlína ; Löster, Tomáš (advisor) ; Řezanková, Hana (referee)
Document type: Master’s theses
Year: 2015
Language: cze
Publisher: Vysoká škola ekonomická v Praze
Abstract: [cze] [eng]
Shluková a diskriminační analýza patří mezi základní klasifikační metody. Pomocí shlukové analýzy lze neuspořádanou skupinu objektů uspořádat do několika vnitřně sourodých tříd či shluků. Diskriminační analýza vytváří na základě znalosti příslušností již existujících tříd klasifikační pravidlo, podle kterého lze následně zařadit jednotky s neznámou skupinovou příslušností. Cílem této práce je srovnání diskriminační analýzy a vybraných metod shlukové analýzy. K vyjádření vzdáleností mezi objekty je v rámci každé metody shlukové analýzy využita čtvercová Euklidovská a Mahalanobisova vzdálenost. Celkem je v práci analyzováno 28 souborů. V případě ponechání korelovaných proměnných v souboru a aplikování čtvercové Euklidovské vzdálenosti nejúspěšněji zařadila objekty do shluků Wardova metoda (42,0 %). Po změně metriky na Mahalanobisovu vzdálenost se nejúspěšnější stala metoda nejvzdálenějšího souseda (37,5 %). Po odstranění silně korelovaných proměnných a aplikování metod s Euklidovskou metrikou zařadila objekty nejúspěšněji v nejvíce souborech opět Wardova metoda (42,0 %). Z výsledků práce dále vyplývá, že shluková analýza je úspěšnější u dat bez korelovaných proměnných než při jejich ponechání v souboru. Průměrný výsledek diskriminační analýzy u dat s korelovanými proměnnými i u dat bez korelovaných proměnných činí 88,7 %. Cluster and discriminant analysis belong to basic classification methods. Using cluster analysis can be a disordered group of objects organized into several internally homogeneous classes or clusters. Discriminant analysis creates knowledge based on the jurisdiction of existing classes classification rule, which can be then used for classifying units with an unknown group membership. The aim of this thesis is a comparison of discriminant analysis and different methods of cluster analysis. To reflect the distances between objects within each cluster, squeared Euclidean and Mahalanobis distances are used. In total, there are 28 datasets analyzed in this thesis. In case of leaving correlated variables in the set and applying squared Euclidean distance, Ward´s method classified objects into clusters the most successfully (42,0 %). After changing metrics on the Mahalanobis distance, the most successful method has become the furthest neighbor method (37,5 %). After removing highly correlated variables and applying methods with Euclidean metric, Ward´s method was again the most successful in classification of objects (42,0%). From the result implies that cluster analysis is more precise when excluding correlated variables than when leaving them in a dataset. The average result of discriminant analysis for data with correlated variables and also without correlated variables is 88,7 %.
Keywords: cluster analysis; discriminant analysis; furthest neighbor method; Mahalanobis distance; squared Euclidean distance; Ward´s method; diskriminační analýza; Mahalanobisova vzdálenost; metoda nejvzdálenějšího souseda; shluková analýza; Wardova metoda; čtvercová Euklidovská vzdálenost

Institution: University of Economics, Prague (web)
Document availability information: Available in the digital repository of the University of Economics, Prague.
Original record: http://www.vse.cz/vskp/eid/48797

Permalink: http://www.nusl.cz/ntk/nusl-201591


The record appears in these collections:
Universities and colleges > Public universities > University of Economics, Prague
Academic theses (ETDs) > Master’s theses