Resumen

En muchas disciplinas, la evaluación de algoritmos para el procesamiento de datos masivos es un desafío de investigación complicado. Sin embargo, diferentes algoritmos pueden producir un rendimiento de evaluación diferente o incluso conflictivo, y este fenómeno no ha sido completamente investigado. La motivación de este artículo tiene como objetivo proponer un esquema de solución para la evaluación de algoritmos de agrupamiento con el fin de conciliar un rendimiento de evaluación diferente o incluso conflictivo. El objetivo de esta investigación es proponer y desarrollar un modelo, llamado Soporte de Toma de Decisiones para la Evaluación de Algoritmos de Agrupamiento (DMSECA, por sus siglas en inglés), para evaluar algoritmos de agrupamiento mediante la fusión de sabiduría experta con el fin de conciliar las diferencias en su rendimiento de evaluación para la fusión de información durante un proceso de toma de decisiones complejo. El modelo propuesto se prueba y verifica mediante un estudio experimental que utiliza seis algoritmos de agrupamiento, nueve medidas externas y cuatro métodos MCDM en 20

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Evaluación; Algoritmos; Agrupamiento; Rendimiento; Modelo; Datos
• Keywords:Evaluation; Algorithms; Clustering; Performance; Model; Data