Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Monitoring the Spatial Correlation Among Functional Data Streams Through Moran’s Index Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Statistical Archetypal Analysis for Cognitive Categorization

verfasst von : Francesco Santelli, Francesco Palumbo, Giancarlo Ragozini

Erschienen in: New Statistical Developments in Data Science

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Human knowledge develops through complex relationships between categories. In the era of Big Data, the concept of categorization implies data summarization in a limited number of well-separated groups that must be maximally and internally homogeneous at the same time. This proposal exploits archetypal analysis capabilities by finding a set of extreme points that can summarize entire data sets in homogeneous groups. The archetypes are then used to identify the best prototypes according to Rosch’s definition. Finally, in the geometric approach to cognitive science, the Voronoi tessellation based on the prototypes is used to define categorization. An example using a well-known wine dataset by Forina et al. illustrates the procedure.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Comparing FPCA Based on Conditional Quantile Functions and FPCA Based on Conditional Mean Function
Nächstes Kapitel Inferring Rater Agreement with Ordinal Classification
Literatur
1.
Adams, B., Raubal, M.: A metric conceptual space algebra. In: Spatial Information Theory. Springer (2009)
2.
Aitchison, J., Barceló-Vidal, C., Martín-Fernández, J., Pawlowsky-Glahn, V.: Logratio analysis and compositional distance. Math. Geol. 32(3), 271–275 (2000)MATHCrossRef
3.
Barsalou, L.W.: Deriving categories to achieve goals. In: Psychology of Learning and Motivation. Elsevier (1991)
4.
5.
Bauckhage, C., Thurau, C.: Making archetypal analysis practical. In: DAGM-Symposium, pp. 272–281 (2009)
6.
Chang, F., Lin, C.C., Lu, C.J.: Adaptive prototype learning algorithms: theoretical and experimental studies. J. Mach. Learn. Res. 7, 2125–2148 (2006)MathSciNetMATH
7.
Cowan, N.: The magical mystery four: how is working memory capacity limited, and why? Curr. Dir. Psychol. Sci. 19(1), 51–57 (2010)CrossRef
8.
9.
D’Esposito, M., Palumbo, F., Ragozini, G.: Interval archetypes: a new tool for interval data analysis. Stat. Anal. Data Min. 5(4), 322–335 (2012)MathSciNetCrossRef
10.
D’Esposito, M.R., Palumbo, F., Ragozini, G.: Archetypal Symbolic Objects, pp. 41–49. Springer, Berlin (2013)CrossRef
11.
12.
Diday, E.: Categorization in symbolic data analysis. In: Cohen, H., Lefebvre, C. (eds.) Handbook of Categorization in Cognitive Science, pp. 845–867. Elsevier Science Ltd, Oxford (2005)CrossRef
13.
Edelsbrunner, H.: Algorithms in Combinatorial Geometry, vol. 10. Springer-Verlag, Berlin (1987)MATHCrossRef
14.
Eugster, M., Leisch, F., Seth, S.: Archetypes: archetypal analysis. In: R Package Version, pp. 2–2 (2014)
15.
Fordellone, M., Palumbo, F.: Prototypes definition through consensus analysis between fuzzy c-means and archetypal analysis. Ital. J. Appl. Stat. 26(2), 141–162 (2014)
16.
Forina, M., Armanino, C., Castino, M., Ubigli, M.: Multivariate data analysis as a discriminating method of the origin of wines. Vitis 25, 189–201 (1986)
17.
Frigui, H., Nasraoui, O.: Unsupervised learning of prototypes and attribute weights. Pattern Recognit. 37(3), 567–581 (2004)CrossRef
18.
Gärdenfors, P.: Conceptual Spaces: The Geometry of Thought. A Bradford Book, vol. 3, p. 16. MIT Press (2000)
19.
Gärdenfors, P.: Concept Learning and Nonmonotonic Reasoning, pp. 823–843. Elsevier (2005)
20.
21.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer (2011)
22.
Jain, A.K., Murty, M.N., Flynn, P.J.: Data clustering: a review. ACM Comput. Surv. (CSUR) 31(3), 264–323 (1999)CrossRef
23.
24.
Lesot, M., Kruse, R.: Typicality degrees and fuzzy prototypes for clustering. In: Advances in Data Analysis, pp. 107–114. Springer (2007)
25.
Lesot, M., Rifqi, M., Bouchon-Meunier, B.: Fuzzy prototypes: from a cognitive view to a machine learning principle. In: Fuzzy Sets and Their Extensions: Representation, Aggregation and Models, pp. 431–452. Springer (2008)
26.
Okabe, A., Boots, B., Sugihara, K.: Nearest neighbourhood operations with generalized voronoi diagrams: a review. Int. J. Geogr. Inf. Syst. 8(1), 43–71 (1994)CrossRef
27.
Papadopoulou, E., Lee, D.T.: The Hausdorff Voronoi diagram of polygonal objects: a divide and conquer approach. Int. J. Comput. Geom. Appl. 14(06), 421–452 (2004)MathSciNetMATHCrossRef
28.
Porzio, G.C., Ragozini, G., Vistocco, D.: On the use of archetypes as benchmarks. Appl. Stoch. Model. Bus. Ind. 25, 419–437 (2008)MathSciNetMATHCrossRef
29.
Ragozini, G., Palumbo, F., D’Esposito, M.R.: Archetypal analysis for data-driven prototype identification. Stat. Anal. Data Min.: ASA Data Sci. J. (2016)
30.
31.
Robert, S.: Categorization, reasoning and memory from a neo-logical point of view. In: Cohen, H., Lefebvre, C. (eds.) Handbook of Categorization in Cognitive Science, pp. 700-718. Elsevier (2005)
32.
33.
Rosch, E.: Prototype classification and logical classification: the two systems. In: New Trends in Conceptual Representation: Challenges to Piaget’s Theory, pp. 73–86 (1983)
34.
35.
Watson, D.F.: Computing the n-dimensional delaunay tessellation with application to Voronoi polytopes. Comput. J. 24(2), 167–172 (1981)MathSciNetCrossRef
36.
Zenker, F., Gärdenfors, P. (ed.): Applications of Conceptual Spaces: The Case for Geometric Knowledge Representation. Springer, Berlin; Synthese Library: Studies in Epistemology, Logic, Methodology, and Philosophy of Science. 24(2), 2–10. Springer (2015)
Metadaten
Titel
Statistical Archetypal Analysis for Cognitive Categorization
verfasst von
Francesco Santelli
Francesco Palumbo
Giancarlo Ragozini
Copyright-Jahr
2019
Buch
New Statistical Developments in Data Science

Print ISBN: 978-3-030-21157-8

Electronic ISBN: 978-3-030-21158-5

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-21158-5_7