Palabras clave
clustering
classification
heuristics
Particionamiento óptimo
clasificación
heurísticas
Cómo citar
Resumen
Muchos problemas en el análisis de datos requieren del particionamiento no supervisado de un conjunto de datos dentro de clases o conglomerados no vacíos que sean bien separados entre ellos y lo más homogéneos entre sí. Un particionamiento ideal es cuando se puede asignar cada elemento del conjunto a una clase sin que exista ambigüedades. Este trabajo consta de dos partes principales; primero se presentan diferentes métodos y heurísticas para encontrar la cantidad de clases en que se debe particionar un conjunto de manera óptima; posteriormente se propone una novedosa heurísticas y se realizan algunas comparaciones para observar sus ventajas considerando conjuntos muy conocidos y utilizados que están previamente clasificados presentándose al final algunos resultados y conclusiones.
Citas
de-los-Cobos-Silva, S.; Goddard, J.; Pérez, B.R.; Gutiérrez, M.A. (2001) “SCA: sistema de clasificación aleatoria”, XV Foro Nacional de Estadística, 8-12 de octubre, Guadalajara-México.
Girolami, M. (2001) “Mercer kernel based clustering in feature space”, I.E.E.E. Transactions on Neural Networks (to appear).
Goddard, J.; de-los-Cobos-Silva, S. (2000) “On a class of distance metrics for fuzzy c-means”, Proc. VII Congress of SIGEF, Chania, Greece: 577–584. Goddard, J.; Martínez, A.E.; Martínez F.M. (1998) “Prototype selection for nearest neighbour classification”, Congreso Latinoamericano de Ingeniería Biomédica, Mazatlán, México.
Roberts, S.J.; Everson, R.; Rezek, I. (2000) “Maximum certainty data partitioning”, I.E.E.E. Patterns Recognotition 33(5): 833–839.
Roberts, S.J.; Everson, R.; Rezek, I.(2001) “Minimum entropy data partitioning”, Technical report, IISGroup, Dep. EEE, Imperial College of Science Technology & Medicine, U.K.
Roberts, S.J.; Everson, R.; Rezek, I.(2001). “Minimum-entropy data clustering using reversible jump Markov chain Monte Carlo”, (to appear in IEEE).
Trejos, J.; Murillo, A.; Piza, E. (1998) “Global stochastic optimization for partitioning”, in: A. Rizzi et al. (Eds.), Advances in Data Science and Classification. Springer, Heidelberg: 185–190.
Romesburg, H.C. (1984) Cluster Analysis for Researchers. Krieger Publishing Company.
Trejos, J. (1996) “Propiedades y aplicaciones de una medida de redundancia de la información: el número equivalente”, Mem. X Foro Nacional de Estadística y II Congreso Iberoamericano de Estadística, Oaxaca- México: 221–226.