Fabio Fernández Jiménez, Alex Murillo Fernández
Se presenta una variante en los m ?todos de clasificaci ?n: un algoritmo gen ?tico para e o eclasificaci ?n autom ?tica utilizando las herramientas del an ?lisis simb ?lico de datos; o a a oesta implementaci ?n permite solventar los problemas de los m ?todos cl ?sicos de clasi- o e aficaci ?n: obtenci ?n de m ? o o ?nimos locales y dependencia de los tipos de datos con loscuales trabajan: continuos. El m ?todo fue programado en MatLab R y usa un oper- eador interesante de codificaci ?n. Se comparan clases por su inercia intra-clases. Se ousaron las siguientes medidas para datos del tipo simb ?lico: medida de disimilitud de oIchino-Yaguchi, medida de disimilitud de Gowda-Diday, diatancia Eucl ? ?dea y distanciade Hausdorff.Palabras clave: Clasificaci ?n autom ?tica, an ?lisis simb ?lico, k-means, algoritmos o a a ogen ?ticos, optimizaci ?n. e o
This paper presents a variant in the methods for clustering: a genetic algorithm forclustering through the tools of symbolic data analysis. Their implementation avoidsthe troubles of clustering classical methods: local minima and dependence of datatypes: numerical vectors (continuous data type). The proposed method was programmed in MatLab R and it uses an interestingoperator of encoding. We compare the clusters by their intra-clusters inertia. We usedthe following measures for symbolic data types: Ichino-Yaguchi dissimilarity measure,Gowda-Diday dissimilarity measure, Euclidean distance and Hausdorff distance.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados