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...
- 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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 |