Resumen

En este artículo se abordan los problemas de reducción de dimensionalidad y visualización asociados con los centroides multivariados obtenidos por algoritmos de agrupamiento. En la literatura se utilizan dos enfoques para la solución de dichos problemas, específicamente, el enfoque del mapa autoorganizado (SOM) y la selección manual de dos características (MS2Fs). Además, se evaluó el análisis de componentes principales (PCA) como un componente para resolver este problema en conjuntos de datos supervisados. Cada uno de estos enfoques tradicionales tiene desventajas: si SOM se ejecuta con un tamaño de mapa pequeño, todos los centroides se ubican de manera contigua en lugar de a sus distancias originales según la estructura de alta dimensionalidad; MS2Fs no es un método eficiente porque no toma en cuenta características fuera del método, y por último, PCA es un método supervisado y pierde la característica más valiosa. En este estudio, se propusieron cinco enfoques híbridos novedosos para eliminar estas desventajas mediante el uso del método del algoritmo genético cuánt

• Materias:Algoritmo de agrupamiento Reconocimiento de caracteres Reconocimiento de entidades nombradas Algoritmos de recomendación Tecnologías de contenedores
• Subjects:Clustering algorithm Character recognition Named entity recognition Recommendation algorithms Container technologies
• Palabras claves:Reducción de dimensionalidad; Problemas de visualización; Centroides multivariados; Algoritmos de agrupamiento; Mapa autoorganizado; Análisis de componentes principales
• Keywords:Dimensionality reduction; Visualization problems; Multivariate centroids; Clustering algorithms; Self-organizing map; Principle component analysis