Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias

El clustering, un método fundamental en el análisis de datos, identifica grupos similares dentro de conjuntos complejos, simplificando su comprensión. En este texto, se exploran métodos usuales como clustering espectral, detallando sus enfoques y metodología. Se distinguen dos tipos de estructuras d...

Full description

Autores:
Cárdenas Nocua, Ana María
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/73194
Acceso en línea:
https://hdl.handle.net/1992/73194
Palabra clave:
Adyacencias
Espectral
Autovectores
Autovalores
Clustering
Matemáticas
Rights
openAccess
License
Attribution-NonCommercial-NoDerivatives 4.0 International
id UNIANDES2_901294f0d033346f4b7867da80c94836
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/73194
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.spa.fl_str_mv Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias
title Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias
spellingShingle Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias
Adyacencias
Espectral
Autovectores
Autovalores
Clustering
Matemáticas
title_short Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias
title_full Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias
title_fullStr Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias
title_full_unstemmed Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias
title_sort Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacencias
dc.creator.fl_str_mv Cárdenas Nocua, Ana María
dc.contributor.advisor.none.fl_str_mv Quiroz Salazar, Adolfo José
dc.contributor.author.none.fl_str_mv Cárdenas Nocua, Ana María
dc.contributor.jury.none.fl_str_mv Junca Peláez, Mauricio José
dc.subject.keyword.spa.fl_str_mv Adyacencias
Espectral
Autovectores
Autovalores
topic Adyacencias
Espectral
Autovectores
Autovalores
Clustering
Matemáticas
dc.subject.keyword.eng.fl_str_mv Clustering
dc.subject.themes.spa.fl_str_mv Matemáticas
description El clustering, un método fundamental en el análisis de datos, identifica grupos similares dentro de conjuntos complejos, simplificando su comprensión. En este texto, se exploran métodos usuales como clustering espectral, detallando sus enfoques y metodología. Se distinguen dos tipos de estructuras de clustering: crisp, con particiones claras, y fuzzy, con áreas de superposición. Además, el texto se centra en el método EVSA (EigenVector Structure Analysis), una modificación del clustering espectral, proponiendo un estudio detallado de su base teórica, implementación y su relación con estructuras crisp y fuzzy. Además, se plantea ajustar el algoritmo EVSA y compararlo con el clustering espectral en conjuntos de datos predefinidos para evaluar su efectividad.
publishDate 2023
dc.date.issued.none.fl_str_mv 2023-06-29
dc.date.accessioned.none.fl_str_mv 2024-01-11T19:53:43Z
dc.date.available.none.fl_str_mv 2024-01-11T19:53:43Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/1992/73194
dc.identifier.instname.none.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.none.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.none.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url https://hdl.handle.net/1992/73194
identifier_str_mv instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv J. A. Hartigan and M. A. Wong, “Algorithm as 136: A k-means clustering algorithm,” Journal of the royal statistical society. series c (applied statistics), vol. 28, no. 1, pp. 100–108, 1979.
U. Von Luxburg, “A tutorial on spectral clustering,” Statistics and computing, vol. 17, pp. 395–416, 2007.
M. Lucińska and S. Wierzchon, “Clustering based on eigenvectors of the adjacency matrix,” International Journal of Applied Mathematics and Computer Science, vol. 28, pp. 771–786, 2018.
W. K. Härdle and L. Simar, Applied Multivariate Statistical Analysis. Cham: Springer International Publishing AG, 5th ed. 2019 ed., 2019.
B. Mohar, Y. Alavi, G. Chartrand, and O. Oellermann, “The laplacian spectrum of graphs,” Graph theory, combinatorics, and applications, vol. 2, no. 871-898, p. 12, 1991.
F. R. Chung, Spectral graph theory, vol. 92. American Mathematical Soc., 1997.
D. M. Cvetkovic, An introduction to the theory of graph spectra. London Mathematical Society student texts ; 75, Cambridge: Cambridge University Press, 2010.
D. Cvetković and S. Simić, “The second largest eigenvalue of a graph (a survey),” Filomat, pp. 449–472, 1995.
S. Neira Hernández, “Alternativas en clustering espectral,” 2021.
J. Shi and J. Malik, “Normalized cuts and image segmentation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 8, pp. 888–905, 2000.
A. Y. Ng, M. I. Jordan, and Y. Weiss, “On spectral clustering: Analysis and an algorithm,” Proceedings of the 14th International Conference on Neural Information Processing Systems: Natural and Synthetic, p. 849–856, 2001.
A. K. Jain and R. C. Dubes, Algorithms for clustering data. Prentice-Hall, Inc., 1988.
M. R. Brito, E. L. Chávez, A. J. Quiroz, and J. E. Yukich, “Connectivity of the mutual k-nearest-neighbor graph in clustering and outlier detection,” Statistics & Probability Letters, vol. 35, no. 1, pp. 33–42, 1997.
M. A. Wong, “A hybrid clustering method for identifying high-density clusters,” Journal of the American Statistical Association, vol. 77, no. 380, pp. 841–847, 1982.
R Core Team, R: speCluster. R Foundation for Statistical Computing, 2017.
E. B. Fowlkes and C. L. Mallows, “A method for comparing two hierarchical clusterings,” Journal of the American statistical association, vol. 78, no. 383, pp. 553–569, 1983.
R Core Team, R: dendextend. R Foundation for Statistical Computing, 2023.
R Core Team, R: FNN. R Foundation for Statistical Computing, 2023.
M. Brito, A. J. Quiroz, and J. E. Yukich, “Intrinsic dimension identification via graph-theoretic methods,” Journal of Multivariate Analysis, vol. 116, pp. 263–277, 2013
dc.rights.en.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.uri.none.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.none.fl_str_mv 41 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de los Andes
dc.publisher.program.none.fl_str_mv Matemáticas
dc.publisher.faculty.none.fl_str_mv Facultad de Ciencias
dc.publisher.department.none.fl_str_mv Departamento de Matemáticas
publisher.none.fl_str_mv Universidad de los Andes
institution Universidad de los Andes
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/f016518b-f21c-4bae-9600-c1853f5c9dc1/download
https://repositorio.uniandes.edu.co/bitstreams/74d211df-32ac-48da-b3dd-363a368297c1/download
https://repositorio.uniandes.edu.co/bitstreams/daf393e9-43df-47a6-a861-28724fcd4ae5/download
https://repositorio.uniandes.edu.co/bitstreams/b77c6bff-4c9c-4dea-ad17-df524334f3b0/download
https://repositorio.uniandes.edu.co/bitstreams/51d1e775-c7a3-41e0-b947-6b0e7bc165ca/download
https://repositorio.uniandes.edu.co/bitstreams/3b6a9ccf-a767-4230-9d7d-25e58c3f4e00/download
https://repositorio.uniandes.edu.co/bitstreams/c3deeecd-3540-4988-95b6-cb7352b4ca8e/download
https://repositorio.uniandes.edu.co/bitstreams/a98eb7a0-1a47-4b55-ae4e-b19b0dbc9bd9/download
bitstream.checksum.fl_str_mv 4460e5956bc1d1639be9ae6146a50347
71a0ed291e07e3f49a4f2655d2274ff8
71da41f8eeb222db37f6c034c44802e7
ae9e573a68e7f92501b6913cc846c39f
10e785f66cb83f3b527ed75094579445
6cec7f8296f166612d8d6701a62dd60c
d78a6a62cbbf1a008b133925bba689d7
9423c0985c75e0833d8e6eb9cd6c90c5
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812134056863727616
spelling Quiroz Salazar, Adolfo JoséCárdenas Nocua, Ana MaríaJunca Peláez, Mauricio José2024-01-11T19:53:43Z2024-01-11T19:53:43Z2023-06-29https://hdl.handle.net/1992/73194instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/El clustering, un método fundamental en el análisis de datos, identifica grupos similares dentro de conjuntos complejos, simplificando su comprensión. En este texto, se exploran métodos usuales como clustering espectral, detallando sus enfoques y metodología. Se distinguen dos tipos de estructuras de clustering: crisp, con particiones claras, y fuzzy, con áreas de superposición. Además, el texto se centra en el método EVSA (EigenVector Structure Analysis), una modificación del clustering espectral, proponiendo un estudio detallado de su base teórica, implementación y su relación con estructuras crisp y fuzzy. Además, se plantea ajustar el algoritmo EVSA y compararlo con el clustering espectral en conjuntos de datos predefinidos para evaluar su efectividad.MatemáticoPregrado41 páginasapplication/pdfspaUniversidad de los AndesMatemáticasFacultad de CienciasDepartamento de MatemáticasAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Una variación sobre el tema de Clustering Espectral: método de autovectores de la matriz de adyacenciasTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPAdyacenciasEspectralAutovectoresAutovaloresClusteringMatemáticasJ. A. Hartigan and M. A. Wong, “Algorithm as 136: A k-means clustering algorithm,” Journal of the royal statistical society. series c (applied statistics), vol. 28, no. 1, pp. 100–108, 1979.U. Von Luxburg, “A tutorial on spectral clustering,” Statistics and computing, vol. 17, pp. 395–416, 2007.M. Lucińska and S. Wierzchon, “Clustering based on eigenvectors of the adjacency matrix,” International Journal of Applied Mathematics and Computer Science, vol. 28, pp. 771–786, 2018.W. K. Härdle and L. Simar, Applied Multivariate Statistical Analysis. Cham: Springer International Publishing AG, 5th ed. 2019 ed., 2019.B. Mohar, Y. Alavi, G. Chartrand, and O. Oellermann, “The laplacian spectrum of graphs,” Graph theory, combinatorics, and applications, vol. 2, no. 871-898, p. 12, 1991.F. R. Chung, Spectral graph theory, vol. 92. American Mathematical Soc., 1997.D. M. Cvetkovic, An introduction to the theory of graph spectra. London Mathematical Society student texts ; 75, Cambridge: Cambridge University Press, 2010.D. Cvetković and S. Simić, “The second largest eigenvalue of a graph (a survey),” Filomat, pp. 449–472, 1995.S. Neira Hernández, “Alternativas en clustering espectral,” 2021.J. Shi and J. Malik, “Normalized cuts and image segmentation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 8, pp. 888–905, 2000.A. Y. Ng, M. I. Jordan, and Y. Weiss, “On spectral clustering: Analysis and an algorithm,” Proceedings of the 14th International Conference on Neural Information Processing Systems: Natural and Synthetic, p. 849–856, 2001.A. K. Jain and R. C. Dubes, Algorithms for clustering data. Prentice-Hall, Inc., 1988.M. R. Brito, E. L. Chávez, A. J. Quiroz, and J. E. Yukich, “Connectivity of the mutual k-nearest-neighbor graph in clustering and outlier detection,” Statistics & Probability Letters, vol. 35, no. 1, pp. 33–42, 1997.M. A. Wong, “A hybrid clustering method for identifying high-density clusters,” Journal of the American Statistical Association, vol. 77, no. 380, pp. 841–847, 1982.R Core Team, R: speCluster. R Foundation for Statistical Computing, 2017.E. B. Fowlkes and C. L. Mallows, “A method for comparing two hierarchical clusterings,” Journal of the American statistical association, vol. 78, no. 383, pp. 553–569, 1983.R Core Team, R: dendextend. R Foundation for Statistical Computing, 2023.R Core Team, R: FNN. R Foundation for Statistical Computing, 2023.M. Brito, A. J. Quiroz, and J. E. Yukich, “Intrinsic dimension identification via graph-theoretic methods,” Journal of Multivariate Analysis, vol. 116, pp. 263–277, 2013201911863PublicationCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/f016518b-f21c-4bae-9600-c1853f5c9dc1/download4460e5956bc1d1639be9ae6146a50347MD51ORIGINALUna variación sobre el tema de Clustering Espectral.pdfUna variación sobre el tema de Clustering Espectral.pdfapplication/pdf1495733https://repositorio.uniandes.edu.co/bitstreams/74d211df-32ac-48da-b3dd-363a368297c1/download71a0ed291e07e3f49a4f2655d2274ff8MD52autorizacion tesis con firma.pdfautorizacion tesis con firma.pdfHIDEapplication/pdf274822https://repositorio.uniandes.edu.co/bitstreams/daf393e9-43df-47a6-a861-28724fcd4ae5/download71da41f8eeb222db37f6c034c44802e7MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/b77c6bff-4c9c-4dea-ad17-df524334f3b0/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTUna variación sobre el tema de Clustering Espectral.pdf.txtUna variación sobre el tema de Clustering Espectral.pdf.txtExtracted texttext/plain59387https://repositorio.uniandes.edu.co/bitstreams/51d1e775-c7a3-41e0-b947-6b0e7bc165ca/download10e785f66cb83f3b527ed75094579445MD55autorizacion tesis con firma.pdf.txtautorizacion tesis con firma.pdf.txtExtracted texttext/plain2008https://repositorio.uniandes.edu.co/bitstreams/3b6a9ccf-a767-4230-9d7d-25e58c3f4e00/download6cec7f8296f166612d8d6701a62dd60cMD57THUMBNAILUna variación sobre el tema de Clustering Espectral.pdf.jpgUna variación sobre el tema de Clustering Espectral.pdf.jpgGenerated Thumbnailimage/jpeg8359https://repositorio.uniandes.edu.co/bitstreams/c3deeecd-3540-4988-95b6-cb7352b4ca8e/downloadd78a6a62cbbf1a008b133925bba689d7MD56autorizacion tesis con firma.pdf.jpgautorizacion tesis con firma.pdf.jpgGenerated Thumbnailimage/jpeg11027https://repositorio.uniandes.edu.co/bitstreams/a98eb7a0-1a47-4b55-ae4e-b19b0dbc9bd9/download9423c0985c75e0833d8e6eb9cd6c90c5MD581992/73194oai:repositorio.uniandes.edu.co:1992/731942024-01-12 03:10:47.166http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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