Resumen

Los métodos tradicionales de clustering a menudo no pueden evitar el problema de la selección de los parámetros de vecindad y el número de clusters, y la selección óptima de estos parámetros varía entre diferentes formas de datos, lo que requiere un conocimiento previo. Para abordar el problema de la selección de los parámetros mencionados, proponemos un algoritmo de clustering eficaz basado en la vecindad adaptativa, que puede obtener resultados de clustering satisfactorios sin necesidad de establecer los parámetros de vecindad y el número de clusters. La idea central del algoritmo es iterar primero de forma adaptativa hasta un estado estable logarítmico y obtener información de vecindad de acuerdo con las características de distribución del conjunto de datos, y luego marcar y pelar los puntos límite de acuerdo con esta información de vecindad, y finalmente agrupar los clusters de datos con los puntos centrales como centros. Hemos llevado a cabo amplios experimentos comparativos con conjuntos de datos de diferentes tamaños y distribuciones y hemos obtenido resultados experimentales satisfactorios.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:número de clústeres, información de vecindad, parámetros de vecindad, problema de selección de parámetros, estado estable logarítmico, resultados satisfactorios de agrupación, algoritmo eficaz de agrupación, forma de los datos, métodos tradicionales de agrupación, resultados experimentales satisfactorios
• Keywords:number of cluster, neighborhood information, neighborhood parameters, parameters selection problem, logarithmic stable state, satisfactory clustering results, effective clustering algorithm, shape of data, traditional clustering methods, satisfactory experimental results