Resumen

El clustering se ha utilizado ampliamente en distintos campos de la ciencia, la tecnología, las ciencias sociales, etc. En el mundo real, se suelen utilizar características tanto numéricas como categóricas para describir los objetos de datos. En consecuencia, muchos métodos de clustering pueden procesar conjuntos de datos numéricos o categóricos. Recientemente, se han desarrollado algoritmos que pueden manejar los problemas de agrupación de datos mixtos. El algoritmo de propagación de afinidad (AP) es un método de clustering basado en ejemplos que ha demostrado un buen rendimiento en una amplia variedad de conjuntos de datos. Sin embargo, tiene limitaciones en el procesamiento de conjuntos de datos mixtos. En este artículo, proponemos una nueva medida de similitud para conjuntos de datos de tipo mixto y un algoritmo de clustering AP adaptativo para agrupar los conjuntos de datos mixtos. Se estudian varios conjuntos de datos reales para evaluar el rendimiento del algoritmo propuesto. Las comparaciones con otros algoritmos de clustering demuestran que el método propuesto funciona bien no sólo en conjuntos de datos mixtos, sino también en conjuntos de datos puramente numéricos y categóricos.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:conjuntos de datos mixtos, algoritmo, varios conjuntos de datos del mundo real, problemas de agrupación de datos mixtos, conjuntos de datos de tipo mixto, medida de similitud novedosa, algoritmos, conjuntos de datos, método, propagación de afinidad
• Keywords:mixed datasets, algorithm, several real world datasets, mixed data clustering problems, mixed type datasets, novel similarity measure, algorithms, datasets, method, affinity propagation