Resumen

Los algoritmos de agrupación pertenecen a los temas principales del análisis de macrodatos. Su principal objetivo es separar un conjunto de datos sin etiquetar en varios subconjuntos, cada uno de los cuales se caracteriza idealmente por alguna característica única de su estructura de datos. Los enfoques habituales de agrupación no pueden imponer restricciones sobre el tamaño de los conglomerados. Sin embargo, en muchas aplicaciones, el tamaño de los conglomerados está limitado o se conoce de antemano. Uno de los algoritmos de agrupación robustos más recientes es el llamado gas neuronal, popular, por ejemplo, para la compresión de datos y la cuantificación vectorial utilizada en el reconocimiento del habla y el procesamiento de señales. En este trabajo, hemos introducido un algoritmo de gas neural adaptado capaz de acomodar los requisitos para el tamaño de los conglomerados. La convergencia del algoritmo hacia un óptimo se comprueba con ejemplos ilustrativos sencillos. El algoritmo propuesto proporciona mejores resultados estadísticos que su homólogo directo, el algoritmo k-means equilibrado, y, además, a diferencia del k-means equilibrado, la calidad de los resultados de nuestro algoritmo propuesto puede controlarse directamente mediante parámetros definidos por el usuario.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Algoritmos de clustering; análisis de big data; conjunto de datos no etiquetados; subconjuntos; estructura de datos; tamaños de los clusters.
• Keywords:Clustering algorithms; big data analysis; unlabelled dataset; subsets; data structure; sizes of clusters