La mejora de la búsqueda del subgrafo más denso en la selección de características no supervisada utilizando el agrupamiento de vecinos más cercanos compartidos
Autores: Chugh, Deepesh; Mittal, Himanshu; Saxena, Amit; Chauhan, Ritu; Yafi, Eiad; Prasad, Mukesh
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
La mejora de la búsqueda del subgrafo más denso en la selección de características no supervisada utilizando el agrupamiento de vecinos más cercanos compartidos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Conjunto de características
No supervisado
Método
Aumento del grafo de características más denso
Conglomerados de características disjuntas
Análisis experimental
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Determinar el conjunto óptimo de características es un problema desafiante, especialmente en un dominio no supervisado. Para mitigar lo mismo, este documento presenta un nuevo método de selección de características no supervisado, denominado como aumento del grafo de características más denso con grupos de características disjuntas. El método propuesto funciona en dos fases. La primera fase se centra en encontrar el subconjunto de características maximalmente no redundante y las características disjuntas se agregan al conjunto de características en la segunda fase. Para validar experimentalmente, la eficiencia del método propuesto se ha comparado con cinco métodos de selección de características no supervisados existentes en cinco conjuntos de datos de UCI en términos de tres criterios de rendimiento, a saber, precisión de agrupamiento, información mutua normalizada y precisión de clasificación. Los análisis experimentales han demostrado que el método propuesto supera a los métodos considerados.
Descripción
Determinar el conjunto óptimo de características es un problema desafiante, especialmente en un dominio no supervisado. Para mitigar lo mismo, este documento presenta un nuevo método de selección de características no supervisado, denominado como aumento del grafo de características más denso con grupos de características disjuntas. El método propuesto funciona en dos fases. La primera fase se centra en encontrar el subconjunto de características maximalmente no redundante y las características disjuntas se agregan al conjunto de características en la segunda fase. Para validar experimentalmente, la eficiencia del método propuesto se ha comparado con cinco métodos de selección de características no supervisados existentes en cinco conjuntos de datos de UCI en términos de tres criterios de rendimiento, a saber, precisión de agrupamiento, información mutua normalizada y precisión de clasificación. Los análisis experimentales han demostrado que el método propuesto supera a los métodos considerados.