Abstract
The aim of this paper is to introduce the symbolic approach in data analysis and to show that it extends data analysis to more complex data which may be closer to the multidimensional reality. We introduce several kinds of symbolic objects (”events”, ”assertions”, and also ”hordes” and ”synthesis” objects) which are defined by a logical conjunction of properties concerning the variables. They can take for instance several values on a same variable and they are adapted to the case of missing and nonsense values. Background knowledge may be represented by hierarchical or pyramidal taxonomies. In clustering the problem remains to find inter-class structures such as partitions, hierarchies and pyramids on symbolic objects. Symbolic data analysis is conducted on several principles: accuracy of the representation, coherence between the kind of objects used at input and output, knowledge predominance for driving the algorithms, self-explanation of the results. We define order, union and intersection between symbolic objects and we conclude that they are organised according to an inheritance lattice. We study several properties and qualities of symbolic objects, of classes and of classifications of symbolic objects. Modal symbolic objects are then introduced. Finally, we present an algorithm to represent the clusters of a partition by modal assertions and obtain a locally optimal partition according to a given criterion.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
References
BELSON W.A. (1959) — ”Matching and prediction on the principle of biological classification”. Applied statistics vol III.
DALLWITZ M.J. (1984) — ”Automatic type setting of computer generated keys and descriptions”. In Data basis in systematics. Edited by R.A. Allkin and F.A. Bisby, p. 279–290, Acad. Press London and Orlando.
DIDAY E. (1978) — ”Selection of variables and clustering” Int. Conf. on Pattern Recognition. Kyoto.Japan.
DIDAY E., GOVAERT G., LECHEVALLIER Y., SIDI J. (1980) — ”Clustering in pattern recognition”. Proc. 5th Conf. Pattern Recognition Miami Beach FL. More complete in NATO, Bonas.JC Simon editor.
DIDAY E., MOREAU J.V. (1984) — ”Learning hierarchical clustering from examples — application to the adaptative construction of dissimilarity indices”. Pattern Recognition Letter 2. p. 365–378.
DIDAY E. (1986) — ”Une représentation visuelle des classes empiétantes: les pyramides”. RAIRO, APII Vol. 20, n o5.
DIDAY E. (1987) — ”Orders and overlapping clusters by pyramids” in J. De Leeuw et al edit. Leiden: DSWO Press.
DIDAY E (1988) — ”Introduction à l’analyse des données symboliques”, Actes des journées ”mboliques — Numériques” pour l’apprentissage de connaissances à partir d’observations. University Paris 9 Dauphine. CEREMADE. Edited by E. Diday and Y. Ko-dratoff.
DIDAY E., ROY L. (1988) — ”Generating rules by symbolic data analysis and application to soil feature recognition” Actes des 8èmes Journées Internationales ”Les systèmes experts et leurs applications”, Avignon, 1988.
DIDAY E. (1989) — ”Introduction à 1’ approche symbolique en Analyse des Données”, RAIRO, Vol. 23, n o 2.
DUCOURNAU R., QUINQUETON J. (1989) — ”Yafool: Encore un langage objet à base de frames”, Technical report n°72, INRIA — ”Y3: Yafool “Le langage à Objets”., Sema-Group report, February 1989.
GANASCIA J. G. (1987) — ”Charade: apprentissage de bases de connaissances.” Actes des journées ”Symboliques — Numériques” pour l’apprentissage de connaissances à partir d’observations. University Paris 9 Dauphine. CEREMADE. Edited by E. Diday and Y. Kodratoff.
GANASCIA J.G. (1987) — ”Apprentissage de connaissance par les cubes de Hilbert” — Thèse d’Etat — Université d’Orsay.
GANTER B. (1984) — ”Two basic algorithms in concept analysis”, FB4-Preprint No831, TH Darmstadt.
GUÉNOCHE A. (1987) — ”Propriétés caractéristiques d’une classe relativement à un contexte” Actes des journées ”Symboliques -Numériques” pour l’apprentissage de connaissances à partir d’observations. University Paris 9 Dauphine. CEREMADE. Edited by E. Diday and Y. Kodratoff.
GUÉNOCHE A. (1989) — ”Construction du treillis de Galois d’une relation binaire”, à paraître dans Mathématiques et Sciences Humaines (M.S.H.), Paris.
GUIGUE J. L., DUQUENNE V. (1986) — ”Familles minimales d’implications informatives resultants d’un tableau binaire”. Mathématiques et sciences humaines. 24ièmes années, 95, p. 5–18.
HO TU Bao, DIDAY E., SUMMA M. (1987) — ”Generating rules for expert system from observations” in ”Les systèmes experts et leurs applications” 7ème journées internationales les systèmes experts et leurs applications, EC2, 269 rue de la Garenne, 92000 Nanterre (France).
KODRATOFF Y. (1986) — ”Leçons d’apprentissage symbolique”. Cepadues-editions, 111 rue Nicolas Vauquelin — 31000 Toulouse.
LEBBE J. (1984) — ”Manuel d’utilisation du logiciel XPER.Micro application.” Paris.
MANAGO M. (1988) — ”Intégration de techniques numériques et symboliques en apprentissage automatique”. Thèse d’état. Université d’Orsay, LRI.
MENESSIER M.O., DIDAY E. (1988) — ”Approche symbolique pour la prévision de séries chronologiques pseudo-périodiques”. Actes des journées ”Symboliques — Numériques” pour l’apprentissage de connaissances à partir d’observations. LRI. Université d’Orsay. Y. Kodratoff and E. Diday editors.
MICHALSKI R. (1983) — ”Automated Construction of classifications: conceptual clustering versus numerical taxonomy”. IEEE Trans, pattern analysis and Machine intelligence. Vol. PAMI-5, n° 4.
MICHALSKI R., STEPP R.E., DIDAY E. (1981) — ”A recent advances in data analysis: clustering objects into classes characterized by conjonctive concepts” Progress in Pattern Recognition vol 1. L. Kanal and A. Rosenfeld Eds.
MORSE L.E. (1971) — “A general data format for summarizing taxonomic information” Bio Science 21 (4), p. 174.
181.
MORGAN J.N. and SONQUIST J.A. (1963) — ”Problems in the analysis of Survey Data a proposal” J.A.S.A. 58: 415–434.
QUINLAN R.J., (1983) — ”Learning efficient classification procedure and their application in chess and game.Machine Learning: an Artificial intelligence approach. Eds Michalski, Carbonell, Mitchell. Pub. TIOGA, Palo, Alto, California, p. 463.
482.
QUINQUETON J., SALLANTIN J. (1986) — ”CALM: contestation for argumentative learning machine”, in Machine Learning, a Guide to current research, Michalski Carbonnel Mitchell eds, Kluwer and sons.
PANKHURST R.J. (1970) — ”A computer program for generating diagnostic keys”. Computer Journal, 13, p. 145.
151.
RALAMBONDRAINY H. (1987) — ”GENREG: un générateur de règles à partir de données”. Actes des journées”Symboliques -Numériques” pour l’apprentissage de connaissances à partir d’observations. University Paris 9 Dauphine. CEREMADE.
RÉGNIER S. (1965) — Sur quelques aspects mathématiques des problèmes de la classification automatique: I.C.C. Bulletin, Vol. 4.
THAYSE A. et al (1988) — ”Approche logique de l’intelligence artificielle — 1. De la logique classique à la programmation logique”, Dunod, Paris.
TOUATI M., DIDAY E. (1989) — ”Synthèse d’objets”, Cahiers de CEREMADE, University Paris IX-Dauphine.
TRONCHE R., LEBBE J., VIGNES R. (1987) — ”Présentation d’un système expert d’aide au diagnostique des causes de surdité”. O.P.A. Congress.Paris.
VIGNES R., LEBBE J. (1987) — ”Un système générateur de graphes d’identification d’objets symboliques”, Actes des journées symbolique-numérique pour l’apprentissage de connaissances à partir de données, Paris, December 1987.
WILLE R. (1981) — ”Restructuring lattice theory: an approach based on hierarchies of concepts. Proceedings of the symposium on ordered sets. Edited by Ivan Rival.
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1989 Springer-Verlag Berlin · Heidelberg
About this paper
Cite this paper
Diday, E., Brito, M.P. (1989). Symbolic Cluster Analysis. In: Optiz, O. (eds) Conceptual and Numerical Analysis of Data. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-75040-3_3
Download citation
DOI: https://doi.org/10.1007/978-3-642-75040-3_3
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-51641-5
Online ISBN: 978-3-642-75040-3
eBook Packages: Springer Book Archive