Resumen

El algoritmo de clustering de picos de densidad (DPC) ha atraído la atención de muchos estudiosos debido a sus múltiples ventajas, incluyendo la determinación eficiente de los centros de cluster, un menor número de parámetros, la ausencia de iteraciones y la ausencia de ruido en los bordes. Sin embargo, el DPC no proporciona un método fiable y específico de selección del umbral (distancia de corte) ni una estrategia de selección automática de los centros de los clusters. En este trabajo, proponemos la agrupación de picos de densidad mediante muestras de punto cero (DPC-ZPS) de las fronteras de los grupos regionales. DPC-ZPS encuentra los subconglomerados y las fronteras de los clusters mediante muestras de punta cero (ZPSs). A continuación, los subconglomerados se fusionan en individuos comparando la densidad de las muestras de borde. Mediante la iteración de la fusión, se aseguran los centros de dc y de cluster adecuados. Por último, comparamos los métodos más avanzados con nuestra propuesta en conjuntos de datos públicos. Los experimentos muestran que nuestro algoritmo determina automáticamente la distancia de corte y los centros con precisión.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:centro de cluster, pico de densidad, distancia de corte, dpc, muestra punteada, estrategia de cluster, estrategia de selección automática, densidad de borde, número de parámetros, métodos de selección específicos
• Keywords:cluster center, density peak, cutoff distance, dpc, pointed sample, strategy of cluster, automatic selection strategy, density of edge, number of parameters, specific selection methods