DKCDC: Un algoritmo de agrupación que se centra en la búsqueda de límites genuinos para la división regional

Área de la Ciencia:

• Minería de datos
• Aprendizaje automático
• Reconocimiento de patrones

Sus antecedentes:

• Los algoritmos de agrupación existentes a menudo no producen límites bien definidos.
• La dificultad para lograr límites genuinos y fiables de las agrupaciones obstaculiza la división regional.

Objetivo del estudio:

• Proponer un nuevo algoritmo de agrupación, DKCDC, para mejorar la división regional.
• Abordar las limitaciones de los métodos existentes en la detección y validación de límites.

Principales métodos:

• DKCDC integra la centralidad de dirección (CDC) con la distancia de K-vecino más cercano.
• Una estrategia de fusión combina las métricas de voto y distancia para diferenciar los límites verdaderos de los falsos.
• Los puntos de ruido dentro de los límites se identifican y procesan para una mayor precisión.

Principales resultados:

• El DKCDC alcanza límites regionales bien definidos.
• El algoritmo demostró una mejora significativa en el coeficiente de silueta de al menos un 4,88% en comparación con CDC, K-Means, DBSCAN, OPTICS y HDBSCAN.
• Los experimentos con conjuntos de datos sintéticos e ICU validaron la eficacia del DKCDC.

Conclusiones:

• DKCDC ofrece una solución robusta para la división regional basada en clusters con una demarcación de límites mejorada.
• La estrategia de fusión propuesta es clave para distinguir los límites reales y mejorar el rendimiento de los grupos.
• DKCDC muestra un amplio potencial para aplicaciones que requieren una identificación regional precisa.