Resumen

El algoritmo de clustering k-modes ha sido ampliamente utilizado para agrupar datos categóricos. En este artículo, primero analizamos el algoritmo k-modes y su medida de disimilitud. Basándonos en esto, propusimos una nueva medida de disimilitud, que se denomina GRD. GRD considera no sólo las relaciones entre el objeto y todos los modos de cluster, sino también las diferencias de los diferentes atributos. Por último, se realizaron experimentos con cuatro conjuntos de datos reales de la UCI. Y los resultados correspondientes muestran que GRD logra un mejor rendimiento que dos medidas de disimilitud existentes utilizadas en los algoritmos de k-modes y Cao.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:medidas de disimilitud, conjunto de datos reales, grd, nuevas medidas de disimilitud, atributo diferente, mejor rendimiento, algoritmo de modo, algoritmo, datos categóricos, modo
• Keywords:dissimilarity measures, real data set, grd, novel dissimilarity measures, different attribute, better performance, mode algorithm, algorithm, categorical data, mode