Валідація ефективності експертно-орієнтованого кодування для аналізу схожості ординальних даних

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2026.48(1).146-152

Ключові слова:

категорiальнi данi, ординальнi ознаки, кластерний аналiз, ранжування, експертнi оцiнки

Анотація

У роботi розв’язується задача пiдвищення ефективностi кластерного аналiзу об’єктiв, що характеризуються категорiальними впорядкованими (ординальними) ознаками. Дослiджено ефективнiсть нової метрики вiдстанi, яка, на вiдмiну вiд традицiйних пiдходiв (SMC, коефiцiєнт Жаккарда), враховуює рангову природу атрибутiв та величину iнтервалiв мiж ними. На основi експериментального дослiдження з використанням набору даних UCI «Car Evaluation». Показано, що iнтеграцiя експертних знань через механiзм нерiвномiрного ранжування призводить до збiльшення дисперсiї попарних вiдстаней та суттєвого покращення сепарабельностi кластерiв. Ефективнiсть запропонованого пiдходу пiдтверджено зростанням iндексу Adjusted Rand Index та зниженням iндексу Девiса-Болдiна порiвняно з метрикою Говера та стандартними методами.

Спонсор дослідження

  • Дослiдження здiйснено в рамках кафедральної науково-дослiдної роботи «Методи обчислювального iнтелекту для обробки i аналiзу даних» (державний реєстрацiйний номер 0121U109279)

Біографія автора

Н. Е. Кондрук, ДВНЗ «Ужгородський нацiональний унiверситет»

Доцент кафедри кiбернетики i прикладної математики. Кандидат технiчних наук, доцент

Посилання

  1. Kondruk, N. E. (2023). Methods for determining similarity of categorical ordered data. Radio Electronics, Computer Science, Control, (2), 31. https://doi.org/10.15588/1607-3274-2023-2-4 [in Ukrainian].
  2. Su´arez, J., Garc´ia, S., & Herrera, F. (2021). A tutorial on distance metric learning: Mathematical foundations, algorithms, experimental analysis, prospects and challenges. Neurocomputing, 425, 300–322. https://doi.org/10.1016/j.neucom.2020.08.017
  3. Mathisen, B., Aamodt, A., Bach, K., & Langseth, H. (2019). Learning similarity measures from data. Progress in Artificial Intelligence, 9, 129–143. https://doi.org/10.1007/s13748-019-00201-2
  4. Desai, A., Singh, H., Pudi, V., & Gopalan, S. (2011). DISC: Data-Intensive similarity measure for categorical data. Advances in Knowledge Discovery and Data Mining, 6635, 469–481. https://doi.org/10.1007/978-3-642-20847-8_39
  5. Cunningham, P. (2009). A taxonomy of similarity mechanisms for case-based reasoning. IEEE Transactions on Knowledge and Data Engineering, 21, 1532–1543. https://doi.org/10.1109/TKDE.2008.227
  6. Nikpour, N., Aamodt, A., & Bach, K. (2018). Bayesian-supported retrieval in BNCreek: A knowledge-intensive case-based reasoning system. Case-Based Reasoning Research and Development, 11156, 323–338. https://doi.org/10.1007/978-3-030-01081-2_22
  7. Bohanec, M. (1988). Car Evaluation [Dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C5JP48. Retrieved from: https://archive.ics.uci.edu/dataset/19/car+evaluation
  8. Dyussenbayev, A. (2017). Age periods of human life. Advances in Social Sciences Research Journal, 4(6), 258–263. https://doi.org/10.14738/assrj.46.2924
  9. Kondruk, N. (2017). Clustering method based on fuzzy binary relation. Eastern-European Journal of Enterprise Technologies, 2(4), 10–16. https://doi.org/10.15587/1729-4061.2017.94961
  10. Kaufman, L., & Rousseeuw, P. J. (1990). Finding groups in data: An introduction to cluster analysis. John Wiley & Sons, 355 pp. https://doi.org/10.1002/9780470316801
  11. Gower, J. C. (1971). A general coefficient of similarity and some of its properties. Biometrics, 27(4), 857–871. https://doi.org/10.2307/2528823
  12. Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
  13. Kondruk, N. E., & Malyar, M. M. (2021). Analysis of cluster structures by different similarity measures. Cybernetics and Systems Analysis, 57, 436–441. https://doi.org/10.1007/s10559-021-00368-4

##submission.downloads##

Опубліковано

2026-01-29

Як цитувати

Кондрук, Н. Е. (2026). Валідація ефективності експертно-орієнтованого кодування для аналізу схожості ординальних даних. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 48(1), 146–152. https://doi.org/10.24144/2616-7700.2026.48(1).146-152

Номер

Том 48 № 1 (2026)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2026 Н. Е. Кондрук

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.