A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Toolbox for Distance Estimation and Cluster Validation on Data With Missing Values (2022)


Niemelä, M., Äyrämö, S., & Kärkkäinen, T. (2022). Toolbox for Distance Estimation and Cluster Validation on Data With Missing Values. IEEE Access, 10, 352-367. https://doi.org/10.1109/ACCESS.2021.3136435


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajatNiemelä, Marko; Äyrämö, Sami; Kärkkäinen, Tommi

Lehti tai sarjaIEEE Access

eISSN2169-3536

Julkaisuvuosi2022

Volyymi10

Artikkelin sivunumerot352-367

KustantajaInstitute of Electrical and Electronics Engineers (IEEE)

JulkaisumaaYhdysvallat (USA)

Julkaisun kielienglanti

DOIhttps://doi.org/10.1109/ACCESS.2021.3136435

Linkki tutkimusaineistoonhttps://github.com/markoniem/nanclustering_toolbox

Julkaisun avoin saatavuusAvoimesti saatavilla

Julkaisukanavan avoin saatavuusKokonaan avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX)https://jyx.jyu.fi/handle/123456789/79601


Tiivistelmä

Missing data are unavoidable in the real-world application of unsupervised machine learning, and their nonoptimal processing may decrease the quality of data-driven models. Imputation is a common remedy for missing values, but directly estimating expected distances have also emerged. Because treatment of missing values is rarely considered in clustering related tasks and distance metrics have a central role both in clustering and cluster validation, we developed a new toolbox that provides a wide range of algorithms for data preprocessing, distance estimation, clustering, and cluster validation in the presence of missing values. All these are core elements in any comprehensive cluster analysis methodology. We describe the methodological background of the implemented algorithms and present multiple illustrations of their use. The experiments include validating distance estimation methods against selected reference methods and demonstrating the performance of internal cluster validation indices. The experimental results demonstrate the general usability of the toolbox for the straightforward realization of alternate data processing pipelines. Source code, data sets, results, and example macros are available on GitHub. https://github.com/markoniem/nanclustering_toolbox


YSO-asiasanatkoneoppiminenalgoritmitdatalaatuvalidointiklusterittietojenkäsittelymallintaminen

Vapaat asiasanatmissing values; distance estimation; clustering; cluster validation


Liittyvät organisaatiot


Hankkeet, joissa julkaisu on tehty


OKM-raportointiKyllä

Raportointivuosi2022

JUFO-taso2


Viimeisin päivitys 2024-22-04 klo 14:53