Shlukování atributů

Abstract

Tato diplomová práce se věnuje problematice shlukování atributů, čemuž se rozumí výběr relevantních atributů z původní množiny atributů. Shlukování atributů může být užitečné, při řešení problémů shlukové analýzy a klasifikace nad rozsáhlými daty, které obsahují velké množství atributů (řádově stovky až tisíce). V této práci je pojednáváno o vybraných algoritmech, které tento problém řeší, především pak o algoritmu Most Neighbors First. Součásti této práce je také návrh a implementace aplikace, která umožňuje shlukování atributů a další analýzu související s touto problematikou.

This thesis is devoted to the topic of attribute clustering, which means in other words selection of the most relevant attributes from the original dataset. Attribute clustering is can be an important preprocessing step on solving classification on big data, which consists of up to hundreds to thousands of attributes. In this thesis, a few approaches for attribute clustering are described, especially algorithm Most Neighbors First. Also part of this thesis is the implementation of the application for attribute clustering and other related data analysis.