Metoda Warda: Różnice pomiędzy wersjami
Z Encyklopedia Zarządzania
Nie podano opisu zmian |
Nie podano opisu zmian |
||
| Linia 1: | Linia 1: | ||
'''Metoda Warda''' | '''Metoda Warda''' | ||
'''Wykorzystując metodę Warda''' osiągnąć możemy skupienia o zbliżonych liczebnościach, których cechą charakterystyczną jest minimalna wariancja i na tej podstawie również relatywnie często możemy wykorzystywać tę metodę do klasyfikacji jednostek przestrzennych ( | '''Wykorzystując metodę Warda''' osiągnąć możemy skupienia o zbliżonych liczebnościach, których cechą charakterystyczną jest minimalna wariancja i na tej podstawie również relatywnie często możemy wykorzystywać tę metodę do klasyfikacji jednostek przestrzennych (K. Filipiak 2006, s. 57). | ||
== Metoda Warda == | == Metoda Warda == | ||
Jest tradycyjną i relatywnie najczęściej wykorzystywaną metodą dokonywania analizy skupień. Jest ona efektywna w przypadku gdy liczba jednostek nie jest bardzo liczna (w przypadku metod hierarchicznych rzędu dziesiątek a podziałowych tysięcy jednostek), koncentracje są sferyczne, separowalne, w tych danych nie są wykorzystywane liczne wartości nietypowe i ogólnie określona jest faktyczna liczba skupień (Migdal-Najman K. | Jest tradycyjną i relatywnie najczęściej wykorzystywaną metodą dokonywania analizy skupień. Jest ona efektywna w przypadku gdy liczba jednostek nie jest bardzo liczna (w przypadku metod hierarchicznych rzędu dziesiątek a podziałowych tysięcy jednostek), koncentracje są sferyczne, separowalne, w tych danych nie są wykorzystywane liczne wartości nietypowe i ogólnie określona jest faktyczna liczba skupień (K. Migdal-Najman, K. Najman 2013, s. 180). | ||
'''Metoda Warda''' jest jedną z kilku aglomeracyjnych metod i sposobem grupowania, jak również metodą hierarchiczną, która prowadzi do stworzenia z wielu części analizowanego zbioru struktury drzewiastej (w wersji poziomej nazywana wykresem drzewiastym), natomiast (w pionowej sopelkowym). Na tej podstawie efekty pracy algorytmu ukazywane są w postaci drzewa, które pokazuje następne etapy tworzonej analizy. W taki sposób możemy osiągnąć tzw. ostateczną segmentację składającą się z zorganizowanej kombinacji podziałów na segmenty. | '''Metoda Warda''' jest jedną z kilku aglomeracyjnych metod i sposobem grupowania, jak również metodą hierarchiczną, która prowadzi do stworzenia z wielu części analizowanego zbioru struktury drzewiastej (w wersji poziomej nazywana wykresem drzewiastym), natomiast (w pionowej sopelkowym). Na tej podstawie efekty pracy algorytmu ukazywane są w postaci drzewa, które pokazuje następne etapy tworzonej analizy. W taki sposób możemy osiągnąć tzw. ostateczną segmentację składającą się z zorganizowanej kombinacji podziałów na segmenty. | ||
'''W odniesieniu do''' skuteczności odtworzenia realnej struktury danych zalecane jest wykorzystanie metody Warda. Bazuje ona na regule minimalizacji wariancji. W kontekście metod z tej grupy nie jest konieczne określenie poprzedniego założenia w odniesieniu do wynikowej liczby skupień – na koniec analizy wykres może być odcięty na adekwatniej wysokości i w tym momencie zinterpretowany ( | '''W odniesieniu do''' skuteczności odtworzenia realnej struktury danych zalecane jest wykorzystanie metody Warda. Bazuje ona na regule minimalizacji wariancji. W kontekście metod z tej grupy nie jest konieczne określenie poprzedniego założenia w odniesieniu do wynikowej liczby skupień – na koniec analizy wykres może być odcięty na adekwatniej wysokości i w tym momencie zinterpretowany (M. Lotko, A. Lotko 2015, s. 6). | ||
# Jest określana jako bardzo skuteczna, natomiast posiadająca inklinację do formułowania skupień o relatywnie małej wielkości. W tej metodzie odległość pomiędzy skupieniami określana jest jako różnica między sumami kwadratów odchyleń konkretnych jednostek od środka ciężkości grup, do których punkty te są przypisywane. Minimum rozróżnienia wartości cech, będących kryterium segmentacji jest kryterium grupowania jednostek w kolejne skupienia, na podstawie wartości średnich skupień formułowanych w następnych etapach ( | # Jest określana jako bardzo skuteczna, natomiast posiadająca inklinację do formułowania skupień o relatywnie małej wielkości. W tej metodzie odległość pomiędzy skupieniami określana jest jako różnica między sumami kwadratów odchyleń konkretnych jednostek od środka ciężkości grup, do których punkty te są przypisywane. Minimum rozróżnienia wartości cech, będących kryterium segmentacji jest kryterium grupowania jednostek w kolejne skupienia, na podstawie wartości średnich skupień formułowanych w następnych etapach (M. Adamowicz, P. Janulewicz 2012, s. 24). | ||
# Znacznie różni się od pozostałych, ponieważ odległości pomiędzy skupieniami opisywane są na podstawie analizy wariancji. Jest to metoda polegająca na minimalizacji sumy kwadratów odchyleń wewnątrz skupień. Na każdym poziomie z wszelkich dostępnych i możliwych do łączenia par skupień dokonuje się wyboru tej, która w efekcie łączenia daje skupienie o minimalnym rozróżnieniu ( | # Znacznie różni się od pozostałych, ponieważ odległości pomiędzy skupieniami opisywane są na podstawie analizy wariancji. Jest to metoda polegająca na minimalizacji sumy kwadratów odchyleń wewnątrz skupień. Na każdym poziomie z wszelkich dostępnych i możliwych do łączenia par skupień dokonuje się wyboru tej, która w efekcie łączenia daje skupienie o minimalnym rozróżnieniu (A. Wałęga, S. Krzanowski, K. Chmielowski 2009, s. 73). | ||
==Bibliografia== | ==Bibliografia== | ||
Wersja z 15:31, 17 gru 2022
Metoda Warda
Wykorzystując metodę Warda osiągnąć możemy skupienia o zbliżonych liczebnościach, których cechą charakterystyczną jest minimalna wariancja i na tej podstawie również relatywnie często możemy wykorzystywać tę metodę do klasyfikacji jednostek przestrzennych (K. Filipiak 2006, s. 57).
Metoda Warda
Jest tradycyjną i relatywnie najczęściej wykorzystywaną metodą dokonywania analizy skupień. Jest ona efektywna w przypadku gdy liczba jednostek nie jest bardzo liczna (w przypadku metod hierarchicznych rzędu dziesiątek a podziałowych tysięcy jednostek), koncentracje są sferyczne, separowalne, w tych danych nie są wykorzystywane liczne wartości nietypowe i ogólnie określona jest faktyczna liczba skupień (K. Migdal-Najman, K. Najman 2013, s. 180).
Metoda Warda jest jedną z kilku aglomeracyjnych metod i sposobem grupowania, jak również metodą hierarchiczną, która prowadzi do stworzenia z wielu części analizowanego zbioru struktury drzewiastej (w wersji poziomej nazywana wykresem drzewiastym), natomiast (w pionowej sopelkowym). Na tej podstawie efekty pracy algorytmu ukazywane są w postaci drzewa, które pokazuje następne etapy tworzonej analizy. W taki sposób możemy osiągnąć tzw. ostateczną segmentację składającą się z zorganizowanej kombinacji podziałów na segmenty.
W odniesieniu do skuteczności odtworzenia realnej struktury danych zalecane jest wykorzystanie metody Warda. Bazuje ona na regule minimalizacji wariancji. W kontekście metod z tej grupy nie jest konieczne określenie poprzedniego założenia w odniesieniu do wynikowej liczby skupień – na koniec analizy wykres może być odcięty na adekwatniej wysokości i w tym momencie zinterpretowany (M. Lotko, A. Lotko 2015, s. 6).
- Jest określana jako bardzo skuteczna, natomiast posiadająca inklinację do formułowania skupień o relatywnie małej wielkości. W tej metodzie odległość pomiędzy skupieniami określana jest jako różnica między sumami kwadratów odchyleń konkretnych jednostek od środka ciężkości grup, do których punkty te są przypisywane. Minimum rozróżnienia wartości cech, będących kryterium segmentacji jest kryterium grupowania jednostek w kolejne skupienia, na podstawie wartości średnich skupień formułowanych w następnych etapach (M. Adamowicz, P. Janulewicz 2012, s. 24).
- Znacznie różni się od pozostałych, ponieważ odległości pomiędzy skupieniami opisywane są na podstawie analizy wariancji. Jest to metoda polegająca na minimalizacji sumy kwadratów odchyleń wewnątrz skupień. Na każdym poziomie z wszelkich dostępnych i możliwych do łączenia par skupień dokonuje się wyboru tej, która w efekcie łączenia daje skupienie o minimalnym rozróżnieniu (A. Wałęga, S. Krzanowski, K. Chmielowski 2009, s. 73).
Bibliografia
- # Adamowicz M. Janulewicz P. (2012). Wykorzystanie metod wielowymiarowych w określeniu pozycji konkurencyjnej gminy na przykładzie województwa lubelskiego, „Metody Ilościowe w Badaniach Ekonomicznych”, nr 1.
- # Filipiak K. (2006). Metody statystyczne stosowane do oceny regionalnego zróżnicowania rolnictwa, „RAPORTY PIB”, nr 3.
- # Lotko M. Lotko A. (2015). Zastosowanie analizy skupień do oceny zagrożeń zawodowych pracowników wiedzy i ich postaw wobec charakteru pracy, „Eksploatacja i Niezawodność”, nr 17.
- # Migdal-Najman K. Najman K. (2013). Analiza porównawcza wybranych metod analizy skupień w grupowaniu jednostek o złożonej strukturze grupowej, „Zarządzanie i Finanse”, nr 3.
- # Wałęga A. Krzanowski S. Chmielowski K. (2009). Wykorzystanie metody analizy skupień do identyfikacji jednorodnych zlewni pod względem indeksów powodziowości i wybranych charakterystyk fizjograficznych, „Infrastruktura i Ekologia Terenów Wiejskich”, nr 6.
- # Wykorzystanie metod wielowymiarowych w określeniu pozycji konkurencyjnej gminy na przykładzie województwa lubelskiego
- # Metody statystyczne stosowane do oceny regionalnego zróżnicowania rolnictwa
- # Zastosowanie analizy skupień do oceny zagrożeń zawodowych pracowników wiedzy i ich postaw wobec charakteru pracy.
Autor: Magdalena Mikołajek
.
