Palabras clave
unsupervised classification
clustering
optimization
coloración suave
clasificación no supervisada
clasificación automática
agrupación
optimización
Cómo citar
Resumen
Los clasificadores no supervisados permiten un método de agrupación de forma automatizada. Para ello es deseable agrupar los elementos con un menor procesamiento de datos. Este trabajo propone un sistema clasificador no supervisado que utiliza el modelo de coloración de gráficas suaves. El método se puso a prueba con algunas instancias clásicas de la literatura especializada y se comparan los resultados obtenidos con clasificaciones hechas con clasificadores supervisados, obteniéndose resultados tan buenos o mejores que con los clasificadores más aceptados y utilizados, proporcionando a veces clasificaciones alternativas que muestran información adicional que los humanos no consideraron.
Citas
Cheng, J.; Greiner, R. (1999) “Learning theory and language modeling”, in: N. Friedman, M. Goldszmidt & A. Wyner (Eds.) Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann, Alberta: 101–108.
Chow, J.H.; Chow, C. (2006) The Encyclopedia of Hepatitis and Other Liver Diseases. Facts On File, New York.
De los Cobos, S.G.; Goddard, J.; Gutiérrez, M.A.; Martínez, A.E. (2010) Búsqueda y Exploración Estocástica. Universidad Autónoma Metropolitana, Ciudad de México.
Demšar, J. (2006) “Statistical comparisons of classifiers over multiple data sets”, Journal of Machine Learning Research 7(Jan): 1–30.
Diestel, R. (2000) Graph Therory. Springer-Verlag, New York.
Fernández, V.; Berradre, M.; Sulbarán, B.; Ojeda, G.; Peña, J. (2009) “Caracterización química y contenido mineral en vinos comerciales venezolanos”, Revista de la Facultad de Agronomía 26(3): 392–396.
GAMS Development Corporation. (2015) “General Algebraic Modeling System”, en: http://www.gams.com, consultado el 18/08/2015, 17:30.
Gutiérrez, M.A.; Lara, P.; Lopez, R.; Ramírez, J. (2011) “Heuristics for the robust coloring problem”, Revista de Matemática: Teoría y Aplicaciones 18(1): 137–147.
Jain, A.K.; Murty, M.N.; Flynn, P.J. (1999) “Data clustering: a review”, ACM Computing Surveys (CSUR) 31(3): 264–323.
Joachims, T. (1996) “A probabilistic analysis of the Rocchio algorithm with TFIDF for text categorization”, Dept. of Computer Science, Carnegie-Mellon Univ., Pittsburgh PA CMU(CS): 96–118.
Lara, P.; Gutiérrez, M.A.; De los Cobos, S.G.; Rincón, E. (2015) “Coloración de gráficas suaves”, Revista de Matemática: Teoría y Aplicaciones 22(2): 1–13.
McAllester, D.; Schapire, R.E. (2002) “Learning theory and language modeling”, in: G. Lakemeyer & B. Nebel (Eds.) Exploring Artificial Intelligence in the New Millenium, Morgan Kaufmann, San Francisco: 271–285.
Montgomery, D.C.; Runger, G.C. (2003) Applied Statistics and Probability for Engineers. John Wiley & Sons, New York.
Moreno, B. (2009) Minería sobre Grandes Cantidades de Datos. Tesis de Maestría, Departamento de Ingeniería Eléctrica, Posgrado en Ciencias y Tecnologías de la Información, Universidad Autónoma Metropolitana, México D.F.
Parzen E. (1962) “On estimation of a probability density function and mode”, The Annals of Mathematical Statistics 33(3): 1065–1076.
Ripley, B.D. (1996) Pattern Recognition and Neural Networks. Cambridge University Press, Cambridge.
Ritter, G. (2014) Robust Cluster Analysis and Variable Selection. CRC Press, Boca Raton.
Universidad de California en Irvine (2015) “Iris related papers”, en: http://archive.ics.uci.edu/ml/datasets/Iris, consultado el 25/11/2015, 12:53.
Universidad de California en Irvine (2015) “UCI machine learning repository”, en: http://archive.ics.uci.edu/ml/index.html, consultado el 28/05/2015, 18:18.
Universidad Nicolás Copérnico de Polonia (2010) “Datasets classifier”, en: http://www.is.umk.pl/projects/datasets.html, consultado el 23/11/2015, 14:22.
Waterhouse, A. L.; Ebeler, S. E. (1998) Chemistry of Wine Flavor. American Chemical Society, Washington DC.
Weber, T. (2009) “The lower/middle palaeolithic transition. Is there alower/middle palaeolithic transition?”, Preistoria Alpina 44: 17–24.
Xing, E.P.; Ng, A.Y.; Jordan, M.I.; Russell, S. (2003) “Distance metric learning with application to clustering with side-information”, Advances in Neural Information Processing Systems 15(1): 505–512.
Xu, R.; Wunsch, D. (2005) “Survey of clustering algorithms”, IEEE Transactions on Neural Networks 16(3): 645–678.