Académique Documents
Professionnel Documents
Culture Documents
I. INTRODUCCION
Los algoritmos de agrupamiento o en ingles clustering son
procedimientos de agrupacin de una serie de datos de acuerdo
con un criterio [1]. Durante el estudio de algunas de estas
tcnicas de agrupacin se encontraron criterios como la distancia
o similitud. Estos criterios tienen ecuaciones que permiten
ajustar los datos a la necesidad del usuario, as durante el estudio
de estos, se puede reconocer algunos algoritmos como: Kmeans, C-means, GK-means, FC-means y lamda, entre otros. La
informacin de inters para estos algoritmos se pretende agrupar
en un nmero de grupos (Clusters) que satisfagan las
necesidades del usuario y permitan entregar informacin a partir
de los datos entregados al sistema. Durante el desarrollo de este
informe se muestran la tcnica usada para resolver el problema
propuesto, con dicho algoritmo se realiz etapas de Training y
Testing. El problema fue propuesto y resuelto en su anterioridad
por el profesor Rafael Orozco de la Facultad de Ingeniera de la
Universidad de Antioquia. En este momento se aplicarn
tcnicas bsicas para tratar de resolver el problema.
II. DESARROLLO DE LA PRACTICA
A. Problema 1.
P40
P50
P51
P90
P100
Descriptores
Donde,
Ilustracin 4: Resultados
Se refuta que el error de entrenamiento esta alrededor del 13%
y adems se alienta el agrupamiento con un error del 10% en
los datos de prueba.
B. Problema 2.
Descripcin del problema:
En los datos suministrados, para las personas enfermas, existe
un nivel cuantitativo que da referencia del nivel de enfermedad
de la persona, ese nivel est dado en rango de la escala UPDRS
(escala unificada de enfermedad Parkinson).
Se debe disear un clasificador que permita dar ese valor
cuantitativo para las personas enfermas y 0 para las personas no
enfermas.
III. RESULTADOS-CONCLUCIONES
La capacidad de los algoritmos de agrupamiento se extienda
a lo largo de la flexibilidad que tengan los datos, determinar
datos cualitativos y cuantitativos puede ser clave a la hora de
escoger un mtodo de clasificacin.
Cada mtodo tiene ventajas sobre otros, lo ms comn es ver
mtodos basados en la distancia, pero la distancia tiene muchas
formas de calcularse, de ah se parte para diferenciar un mtodo
de otro.
El pre procesamiento vuelve a ser clave en la resolucin de
problemas, pasar de 148 a 11 descriptores fue de mucha ayuda,
mejor la respuesta del clasificador en ambas etapas.
En el experimento con un clasificador de dos clases mostr
los mejores resultados, errores de casi el 10% permiten
determinar al clasificador como uno de buena calidad.
REFERENCIAS
Ilustracin 9: Errores entrenamiento y prueba
Los resultados no son muy alentadores con respecto a las
pruebas, las aproximaciones no resultaron eficientes.
[1]
[2]
[3]
Algoritmo
de
Agrupamiento:
https://es.wikipedia.org/wiki/Algoritmo_de_agrupamiento Wikipedia.
Application LAMDA Algorithm for Fault Detection and Isolation, Vaclav
Krivanek University of Defence, Brno, Czech Republic, e-mail:
vaclav.krivanek@unob.cz.
Software : Process Sensor Selection & Situation assessment Users
Manual Guide