K-Medoid Clustering for Heterogeneous DataSets

Harikumar, Sandhya; Pv, Surya

doi:10.1016/j.procs.2015.10.077

Cited by 54 publications

(21 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…O algoritmo k-annonumity visa proteger a privacidade dos dados durante o processo de mineração. Harikumar and Surya (2015) propuseram uma modificação no k-medoid (algoritmo PAM) para trabalhar com dados mistos, por meio de uma nova função de dissimilaridade. Ji et al (2015) apresentaram um método para inicialização dos centroides no algoritmo k-prototype.…”

Section: Resultsunclassified

Agrupamento De Dados Mistos Baseados No Algoritmo K-Means: Uma Revisão Sistemática Da Literatura

Martarelli¹,

Nagano²

2019

Atas Da Conferência Ibero-Americana WWW/Internet 2019

View full text Add to dashboard Cite

O agrupamento de dados é uma atividade de mineração que busca por grupos naturais em conjuntos de dados não rotulados. Embora bem desenvolvida para dados numéricos, o desenvolvimento de algoritmos para dados mistos (atributos numéricos e categóricos) ainda é incipiente. Diante do fato de que os conjunto de dados mistos caracterizam a maioria dos problemas reais, o avanço desta temática é essencial para o beneficiamento da sociedade e da indústria. Dessa forma, este trabalho tem como objetivo reunir e discutir as principais contribuições publicadas na literatura sobre algoritmos de agrupamento de dados mistos, especificamente as abordagens baseadas no algoritmo k-means, já que este algoritmo apresenta alta velocidade de processamento e fácil implementação, características estas almejadas na resolução de problemas do mundo real. Diante disso, realizou-se uma revisão bibliográfica sistemática na base de dados Scopus, onde foram aceitos apenas artigos em inglês, com o indicador Jornal Citation Report (JCR) maior ou igual a um, ou com pelo menos dois indicadores de impacto maior ou igual a um. Como primeiro resultado da busca, obteve-se 1.104 trabalhos. Após a aplicação dos critérios adotados, obteve-se 456 trabalhos passíveis de avaliação. Posteriormente, avaliou-se quais trabalhos estavam dentro do objetivo da análise, por meio de três filtros de seleção, os quais contemplaram diferentes leituras dos trabalhos. Como resultado, obteve-se 37 artigos. Após um estudo detalhado, observou-se que esta temática ainda apresenta um desenvolvimento recente e esparso. Além disso, percebeu-se que os trabalhos selecionados exploraram alguns temas-chave, como a definição dos pesos dos atributos, número de grupos, inicialização dos centroides e agrupamento sujeito a restrições.

show abstract

Section: Resultsunclassified

Agrupamento De Dados Mistos Baseados No Algoritmo K-Means: Uma Revisão Sistemática Da Literatura

Martarelli¹,

Nagano²

2019

Atas Da Conferência Ibero-Americana WWW/Internet 2019

View full text Add to dashboard Cite

show abstract

“…The other available distances for mixed variable data, which are less popular than the Gower distance, can be transformed into a GDF form in a similar way. They are the Wishart [23], Podani [22], Huang [5], and Harikumar-PV [7] distances. The Wishart and Podani distances have similar properties to the Gower such that the same assumption applies.…”

Section: Proposed Distance Methodsmentioning

confidence: 99%

“…The other approach to calculate a distance for the mixed variable data is via a combined distance function of the numerical and categorical distances [5][6][7][8]. The combined distance function assumes an equal contribution of each individual variable.…”

Section: Introductionmentioning

confidence: 99%

Simple K-Medoids Partitioning Algorithm for Mixed Variable Data

Budiaji

Leisch

2019

Algorithms

View full text Add to dashboard Cite

A simple and fast k-medoids algorithm that updates medoids by minimizing the total distance within clusters has been developed. Although it is simple and fast, as its name suggests, it nonetheless has neglected local optima and empty clusters that may arise. With the distance as an input to the algorithm, a generalized distance function is developed to increase the variation of the distances, especially for a mixed variable dataset. The variation of the distances is a crucial part of a partitioning algorithm due to different distances producing different outcomes. The experimental results of the simple k-medoids algorithm produce consistently good performances in various settings of mixed variable data. It also has a high cluster accuracy compared to other distance-based partitioning algorithms for mixed variable data.

show abstract

“…Segmentasyondaki amaç, benzer özelliklere sahip gözlemlerin yer aldığı gruplar içerisinde homojenliğin sağlanması, farklı gruplar arasındaki ayrışmanın ise maksimum derecede gerçekleştirilmesini sağlamaktır. Heterojen niteliklere sahip çok boyutlu veri setlerinde kullanılabilirlik özelliği ve klasik kümeleme yaklaşımlarına kıyasla daha iyi grup içi benzerlik üretebilen özelliği sayesinde k-medoids (k-ortaylar) algoritması sağlam (robust) bir yöntem olup, oluşturulan kümeler için veri setinin özelliğini etkili bir şekilde yansıtmaktadır (Harikumar ve Pv, 2015).…”

Section: Introductionunclassified

Topsis Ve K-Medoids Yöntemleri̇yle Karar Verme: R Programlama Di̇li̇ İle Müşteri̇ Geri̇ Kazanma Uygulamasi

Esen

Bilgiç

2018

Yönetim Ve Ekonomi Araştırmaları Dergisi

View full text Add to dashboard Cite

ÖZETBüyük işletmeler, kendisinden ayrılan ve rakip işletmelere geçen eski müşterilerine yönelik geri kazanma faaliyetleri düzenleyeceği zaman, kârlılığa en çok katkı yapan müşterileri tercih etmektedir.Bu seçim, çoğu zaman maliyet ve zaman kısıtları altında birçok değişkenin aynı anda değerlendirilmesini gerektirmektedir. TOPSIS yöntemi, çok kriterli problemler için oluşturulmuş bir karar verme tekniği olup, tedarikçi ve kuruluş yeri seçimi, üretim sistemleri, pazarlama yönetimi, sağlık, güvenlik ve çevre yönetimi gibi geniş bir uygulama alanında kullanılmaktadır. Bu çalışmada, bir telekomünikasyon işletmesinin rakip firmalara geçen 1145 müşterisine ait ses, veri ve katma değerli servilerle alakalı kullanım bilgileri TOPSIS yöntemi ile analiz edilmiştir. Elde edilen TOPSIS skorları işletme kârlılığına katkı sağlayan en değerli müşterileri tespit etmek amacıyla, k-medoids (k-ortaylar) kümeleme algoritması kullanılarak dört segmente ayrılmıştır. Çalışma sonucunda, dört segmente ayrılan müşterilerden üçüncü segmentte yer alan toplam 37 müşteri altın müşteri olarak tespit edilmiş ve geri kazanma faaliyetlerine bu müşterilerden başlanması gerektiği ortaya çıkmıştır. ABSTRACT Large companies prefer the most profitable customers when they try to recover their old customers who left the company and acquired by the competitors. This choice requires many variables to be evaluated simultaneously under the constraints of cost and time. TOPSIS method is a decisionmaking technique for multi-criteria problems and is used in a wide range of applications such as:supplier and facility location selection, production systems, enterprise resource planning and marketing 222 management, health, safety and environmental management problems etc. In this study, data of 1145 customers such as usage of voice, data service and other value added services usage are analyzed by TOPSIS method. The customers analyzed in this study are churned by a competitor of a telecommunication company. In order to determine the most valuable customers to company's profit, TOPSIS scores are clustered into four segments by k-medoids clustering algorithm. As a result of the analysis, customers are segmented into four groups and totally 37 customers which were placed in the third segment identified as golden customers, thus the company should start churn activities with the customers placing in this segment.

show abstract

K-Medoid Clustering for Heterogeneous DataSets

Cited by 54 publications

References 15 publications

Agrupamento De Dados Mistos Baseados No Algoritmo K-Means: Uma Revisão Sistemática Da Literatura

Agrupamento De Dados Mistos Baseados No Algoritmo K-Means: Uma Revisão Sistemática Da Literatura

Simple K-Medoids Partitioning Algorithm for Mixed Variable Data

Topsis Ve K-Medoids Yöntemleri̇yle Karar Verme: R Programlama Di̇li̇ İle Müşteri̇ Geri̇ Kazanma Uygulamasi

Contact Info

Product

Resources

About