Estudio de estrategias para la aceleración de la convergencia del clustering mediante fuzzy c-means

Abstract

En el presente trabajo de grado se lleva a cabo el estudio de estrategias para acelerar la convergencia del clustering empleando Fuzzy C-means (FCM), con la finalidad de encontrar la mejor variante del algoritmo de clustering FCM que permita reducir el tiempo de cómputo, coste computacional y calidad de clustering. Las variantes FCM relacionadas con la aceleración que se seleccionaron para el estudio son Online Fuzzy C-means (OFCM), Single Pass Fuzzy C-means (SPFCM) y Random Sampling Plus Extension Fuzzy C-means (RSEFCM). Dichas variantes son comparadas entre sí y los resultados se contrastan con el algoritmo original FCM. Para este análisis se utilizan tres Datasets obtenidos de bases de datos públicamente disponibles, con el fin de recolectar la información necesaria en cada procedimiento de clustering realizado por cada algoritmo. Se observó que al comparar las métricas de cómputo con cada uno de los Datasets con respecto al Speed up (aceleración), la variante de (RSEFCM) tuvo el mejor desempeño. Para el análisis de la calidad de las particiones se observó que variante de (RSEFCM) presenta una alta eficacia y confiabilidad en los resultados. Por último, respecto a la complejidad de los algoritmos se pudo comprobar que el coste computacional tiene un comportamiento lineal.