Resumen

Los datos incompletos con valores de características que faltan son frecuentes en los problemas de agrupación. Los métodos tradicionales de clustering estiman primero los valores perdidos mediante imputación y luego aplican los algoritmos clásicos de clustering para datos completos, como K-median y K-means. Sin embargo, en la práctica, a menudo es difícil obtener una estimación precisa de los valores perdidos, lo que deteriora el rendimiento de la agrupación. Para mejorar la robustez de los algoritmos de agrupación, este artículo representa los valores perdidos mediante datos de intervalo e introduce el concepto de función objetivo de agrupación robusta. Se presenta una formulación de optimización robusta minimax (RO) para proporcionar resultados de agrupación insensibles a los errores de estimación. Para resolver el problema de RO propuesto, proponemos algoritmos robustos de clustering K-median y K-means con baja complejidad temporal y espacial. Las comparaciones y el análisis de los resultados experimentales en conjuntos de datos incompletos generados artificialmente y del mundo real validan la robustez y eficacia de los algoritmos propuestos.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Datos; valores perdidos; agrupación; imputación; robustez; optimización
• Keywords:Data; missing values; clustering; imputation; robustness; optimization