Estudio de estrategias para la aceleración de la convergencia del clustering mediante fuzzy c-means

En el presente trabajo de grado se lleva a cabo el estudio de estrategias para acelerar la convergencia del clustering empleando Fuzzy C-means (FCM), con la finalidad de encontrar la mejor variante del algoritmo de clustering FCM que permita reducir el tiempo de cómputo, coste computacional y calidad de clustering. Las variantes FCM relacionadas con la aceleración que se seleccionaron para el estudio son Online Fuzzy C-means (OFCM), Single Pass Fuzzy C-means (SPFCM) y Random Sampling Plus Extension Fuzzy C-means (RSEFCM). Dichas variantes son comparadas entre sí y los resultados se contrastan con el algoritmo original FCM. Para este análisis se utilizan tres Datasets obtenidos de bases de datos públicamente disponibles, con el fin de recolectar la información necesaria en cada procedimiento de clustering realizado por cada algoritmo. Se observó que al comparar las métricas de cómputo con cada uno de los Datasets con respecto al Speed up (aceleración), la variante de (RSEFCM) tuvo el mejor desempeño. Para el análisis de la calidad de las particiones se observó que variante de (RSEFCM) presenta una alta eficacia y confiabilidad en los resultados. Por último, respecto a la complejidad de los algoritmos se pudo comprobar que el coste computacional tiene un comportamiento lineal.

• Autores: Trujillo Ortiz, Diana Carolina; Sacristan Hernandez, Carlos Serjeif
• Tipo de recurso: http://purl.org/coar/version/c_b1a7d7d4d402bcce
• Fecha de publicación: 2016
• Institución: Universidad Industrial de Santander
• Repositorio: Repositorio UIS
• Idioma: spa
• OAI Identifier: oai:noesis.uis.edu.co:20.500.14071/35068
• Acceso en línea: https://noesis.uis.edu.co/handle/20.500.14071/35068; https://noesis.uis.edu.co
• Palabra clave: Cluster; Clustering; Fuzzy C-Means (Fcm); Partición Difusa; Centroides; Convergencia.; In the present work; we perform a comparative study of strategies to accelerate the convergence of clustering using Fuzzy C-means (FCM); in order to find the best implementation of the FCM clustering algorithm in terms of computational cost. The studied FCM variants related to the acceleration of clustering were Online Fuzzy C-means (OFCM); and Single Pass Fuzzy C-means (SPFCM); and Ramdom Sampling plus Extension Fuzzy C-means (RSEFCM) which are compared against the original FCM algorithm using three different databases in order to collect the necessary information about each clustering algorithm. I our experiments for assessing the speed up with respect to the classic FCM; we found that RSEFCM had the highest performance. With respect to the quality of the obtained partitions; RSEFCM yielded the more accurate and robust results among the studied versions of FCM. As for the complexity of the algorithms; experimental tests showed a linear behavior in the computational cost.
• License: Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)