Selección de centroides para algoritmos de clustering a través de técnicas metaheurísticas

Los algoritmos de clustering de tipo c-means son sensibles a los valores de inicialización de los centroides y pueden quedar atrapados en extremos locales. Planteado en estos términos, el uso de enfoques aproximados para obtener los centroides más adecuados puede ser de gran utilidad como herramient...

Descripción completa

Detalles Bibliográficos
Autores principales: Villagra, Andrea, Pandolfi, Daniel
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2007
Materias:
Ciencias Informáticas
Informática
c-means
genetic algorithms
particle swarm optimization
Biology and genetics
Medicine and science
Algorithms
optimización mediante cúmulos de partículas (PSO)
algoritmos genéticos
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/23371
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-23371
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Informática
c-means
genetic algorithms
particle swarm optimization
Biology and genetics
Medicine and science
Algorithms
optimización mediante cúmulos de partículas (PSO)
algoritmos genéticos
spellingShingle Ciencias Informáticas
Informática
c-means
genetic algorithms
particle swarm optimization
Biology and genetics
Medicine and science
Algorithms
optimización mediante cúmulos de partículas (PSO)
algoritmos genéticos
Villagra, Andrea
Pandolfi, Daniel
Selección de centroides para algoritmos de clustering a través de técnicas metaheurísticas
topic_facet Ciencias Informáticas
Informática
c-means
genetic algorithms
particle swarm optimization
Biology and genetics
Medicine and science
Algorithms
optimización mediante cúmulos de partículas (PSO)
algoritmos genéticos
description Los algoritmos de clustering de tipo c-means son sensibles a los valores de inicialización de los centroides y pueden quedar atrapados en extremos locales. Planteado en estos términos, el uso de enfoques aproximados para obtener los centroides más adecuados puede ser de gran utilidad como herramienta complementaria durante ciertas fases del proceso de minería de datos, y en particular dentro de las tareas típicas de minería de datos, entre ellas la de clustering o agrupamiento. En esta dirección, los Algoritmos Genéticos (AGs) y la Optimización Basada en Cúmulo de Partículas (PSO)1 son dos técnicas metaheurísticas poblacionales que podrían utilizarse en este ámbito, más aún cuando los problemas pueden ser planteados como de optimización. En este trabajo se analiza el uso estas dos técnicas metaheurísticas para optimizar la inicialización de los valores de centroides en las funciones aplicadas en los algoritmos de clustering tipo c-means. Los respectivos resultados son comparados usando varios conjuntos de datos generados artificialmente.
format Objeto de conferencia
Objeto de conferencia
author Villagra, Andrea
Pandolfi, Daniel
author_facet Villagra, Andrea
Pandolfi, Daniel
author_sort Villagra, Andrea
title Selección de centroides para algoritmos de clustering a través de técnicas metaheurísticas
title_short Selección de centroides para algoritmos de clustering a través de técnicas metaheurísticas
title_full Selección de centroides para algoritmos de clustering a través de técnicas metaheurísticas
title_fullStr Selección de centroides para algoritmos de clustering a través de técnicas metaheurísticas
title_full_unstemmed Selección de centroides para algoritmos de clustering a través de técnicas metaheurísticas
title_sort selección de centroides para algoritmos de clustering a través de técnicas metaheurísticas
publishDate 2007
url http://sedici.unlp.edu.ar/handle/10915/23371
work_keys_str_mv AT villagraandrea selecciondecentroidesparaalgoritmosdeclusteringatravesdetecnicasmetaheuristicas
AT pandolfidaniel selecciondecentroidesparaalgoritmosdeclusteringatravesdetecnicasmetaheuristicas
bdutipo_str Repositorios
_version_ 1764820465760600064

Ejemplares similares