Generación interactiva de ensambles de métodos de agrupamiento para análisis de datos multidimensionales

• Autor: Castro Ochante, Jose Melchor
• Formato: tesis de maestría
• Fecha de Publicación: 2020
• Institución: Universidad Católica San Pablo
• Repositorio: UCSP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucsp.edu.pe:20.500.12590/16460
• Enlace del recurso: https://hdl.handle.net/20.500.12590/16460
• Nivel de acceso: acceso abierto
• Materia: Interacción humano-computador; Visualización de datos; Ensamble de agrupamiento; https://purl.org/pe-repo/ocde/ford#1.02.00

El aprendizaje de maquina se ha aplicado con éxito a una gran variedad de campos que va desde la recuperación de información, extracción de datos, reconocimiento de voz y gráficos por computadora, visualización e interacción humano-computador. Los métodos de agrupación son los algo- ritmos más utilizados para el aprendizaje no supervisado. Sin embargo, no existe un único agrupamiento óptimo para todos los conjuntos de datos, ya que diferentes algoritmos de agrupamiento pueden producir diferentes particiones porque imponen una estructura diferente en los datos. Para superar este dilema de seleccionar una técnica apropiada y los parámetros correspondientes, se utilizan ensamble de agrupamientos para mejorar la precisión y la solidez mediante una combinación ponderada de dos o más enfoques. Sin embargo, muchas veces este proceso se lleva a cabo casi a ciegas, ya que probamos posibles combinaciones de métodos de forma secuencial y evaluamos si su desempeño es beneficioso para nuestros propósitos. Luego, realizamos muchas veces este procedimiento con la esperanza de encontrar un patrón que apoye nuestra próxima decisión para elegir una combinación. En este trabajo presentamos una metodología novedosa para la generación de ensamble de agrupamientos, basada en métricas cuantitativas y recursos visuales interactivos. Nuestro enfoque permite que los analistas muestren diferentes resultados de los métodos de agrupación del estado del arte, analicen su rendimiento en métricas específicas e inspección visual, asignen ponderaciones interactivas para establecer sus contribuciones en conjunto basadas en los requisitos del analista y gestionen (crear, almacenar, comparar, fusionar) ensamble de agrupamiento. Para probar esta metodología, implementaremos un prototipo, capaz de presentar mediante una vista gráfica, el resultado de aplicar un modelo de agrupamiento a un conjunto de datos.