Resumen

El algoritmo de agrupamiento de picos de densidad (FDP) tiene un rendimiento deficiente en datos de alta dimensionalidad. Este problema ocurre porque el algoritmo de agrupamiento ignora la selección de características. Todas las características son evaluadas y calculadas bajo el mismo peso, sin distinguir. Esto llevará a que el efecto de agrupamiento final no pueda alcanzar lo esperado. Con el objetivo de abordar este problema, proponemos un nuevo método para resolverlo. Calculamos el valor de importancia de todas las características de los datos de alta dimensionalidad y calculamos el valor medio mediante la construcción de un bosque aleatorio. Las características cuyo valor de importancia es menor al 10% del valor medio son eliminadas. En este momento, extraemos las características importantes para formar un nuevo conjunto de datos. En este punto, se utiliza t-SNE mejorado para la reducción de dimensiones, lo que resultará en un mejor rendimiento. Este método utiliza t-SNE mejorado por la idea de bosque aleatorio para reducir la dimensión de los datos originales y se combina con FDP mejorado para compon

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Algoritmo de clustering de picos de densidad; Datos de alta dimensionalidad; Selección de características; Bosque aleatorio; T-SNE; Método de clustering
• Keywords:Density peak clustering algorithm; High-dimensional data; Feature selection; Random forest; T-SNE; Clustering method