Formalní konceptuální analýza nad atributy s úrovněmi granularity

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15310%2F05%3A00002478" target="_blank" >RIV/61989592:15310/05:00002478 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Formal concept analysis over attributes with levels of granularity

Popis výsledku v původním jazyce

Formal concept analysis (FCA) is a method of exploratory analysis of object-attribute data tables. The two main outputs are a hierarchical structure of clusters (so-called formal concepts) and a non-redundant basis of so-called attribute implications. Animportant topic in FCA is to cope with a possibly large number of resulting clusters. We propose a method to control the number of clusters by means of specification of a granularity level of attributes. A user selects an appropriate level of granularity of each attribute. If the corresponding set of clusters is too large, the user can select a lower level of granularity for appropriate attributes. The resulting set of clusters is then smaller and can be seen as a rougher version of the original set ofclusters. If the corresponding set of clusters is too small, the user can select a finer level of granularity for appropriate attributes. The resulting set of clusters is then larger and can be seen as a refinement of the original set of

Název v anglickém jazyce

Formal concept analysis over attributes with levels of granularity

Popis výsledku anglicky

Formal concept analysis (FCA) is a method of exploratory analysis of object-attribute data tables. The two main outputs are a hierarchical structure of clusters (so-called formal concepts) and a non-redundant basis of so-called attribute implications. Animportant topic in FCA is to cope with a possibly large number of resulting clusters. We propose a method to control the number of clusters by means of specification of a granularity level of attributes. A user selects an appropriate level of granularity of each attribute. If the corresponding set of clusters is too large, the user can select a lower level of granularity for appropriate attributes. The resulting set of clusters is then smaller and can be seen as a rougher version of the original set ofclusters. If the corresponding set of clusters is too small, the user can select a finer level of granularity for appropriate attributes. The resulting set of clusters is then larger and can be seen as a refinement of the original set of

Druh

D - Stať ve sborníku

CEP obor

BD - Teorie informace

OECD FORD obor

—

Projekt

<a href="/cs/project/1ET101370417" target="_blank" >1ET101370417: Hierarchická analýza složitých dat</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2005

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

International Conference on Computational Intelligence for Modelling Control and Automation - CIMCA'2005

ISBN

0-7695-2504-0

ISSN

—

e-ISSN

—

Počet stran výsledku

9

Strana od-do

728-736

Název nakladatele

IEEE Computer Society Press

Místo vydání

New York

Místo konání akce

Wien

Datum konání akce

1. 1. 2005

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—