Resumen

El clustering es un método importante de aprendizaje automático no supervisado que puede particionar eficientemente puntos sin un conjunto de datos de entrenamiento. Sin embargo, la mayoría de los algoritmos de clustering existentes necesitan establecer parámetros de forma artificial, y los resultados del clustering están muy influenciados por estos parámetros, por lo que optimizar los parámetros de clustering es un factor clave para mejorar el rendimiento del clustering. En este documento, proponemos un algoritmo de clustering adaptativo de parámetros DDPA-DP que se basa en el algoritmo de densidad de picos. En DDPA-DP, todos los parámetros pueden ajustarse de forma adaptativa basándose en el pensamiento basado en datos, y luego la precisión del clustering se mejora considerablemente, sin aumentar significativamente la complejidad temporal. Para demostrar el rendimiento de DDPA-DP, se diseñan una serie de experimentos con algunos conjuntos de datos artificiales y un conjunto de datos de aplicación real, y los resultados de clustering de DDPA-DP se comparan con algunos algoritmos típicos mediante estos experimentos.

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Agrupamiento; No supervisado; Aprendizaje automático; Parámetros; Algoritmo; Rendimiento
• Keywords:Clustering; Unsupervised; Machine learning; Parameters; Algorithm; Performance