Selecting variables for k-means cluster analysis by using a genetic algorithm that optimises the silhouettes

Lletı́, R.; Ortiz, M.C.; Sarabia, L.A.; Sánchez, M.S.

doi:10.1016/j.aca.2003.12.020

Cited by 191 publications

(102 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The silhouette value for each point is a measure of how similar that point is to points in its own cluster compared to points in other clusters [8]. It is defined as:…”

Section: The Proposed Methodsmentioning

confidence: 99%

“…This measure ranges from +1, indicating points that are very distant from neighboring clusters, through 0, indicating points that are not distinctly in one cluster or another, to −1, indicating points that are probably assigned to the wrong cluster [8]. If number of clusters is equal to number of objects, then for every point we would have w(i) = 0 and s(i) = 1.…”

Section: The Proposed Methodsmentioning

confidence: 99%

“…In order to determine the number of clusters, some of the recent research works rely on using GA. In this regard, Llet´ et al [8] use the silhouette to find the appropriate number of clusters. The common point among all the existing methods which are developed to find an appropriate number of clusters is that they evaluate the concerned criteria separately for different values of k. In other words, they need to run the KM algorithm for different values of K; this process is usually very time consuming.…”

Section: Literature Reviewmentioning

confidence: 99%

See 2 more Smart Citations

A variant of genetic algorithm for non-homogeneous population

2017

View full text Add to dashboard Cite

Abstract. Selection of initial points, the number of clusters and finding proper clusters centers are still the main challenge in clustering processes. In this paper, we suggest genetic algorithm based method which searches several solution spaces simultaneously. The solution spaces are population groups consisting of elements with similar structure. Elements in a group have the same size, while elements in different groups are of different sizes. The proposed algorithm processes the population in groups of chromosomes with one gene, two genes to k genes. These genes hold corresponding information about the cluster centers. In the proposed method, the crossover and mutation operators can accept parents with different sizes; this can lead to versatility in population and information transfer among sub-populations. We implemented the proposed method and evaluated its performance against some random datasets and the Ruspini dataset as well. The experimental results show that the proposed method could effectively determine the appropriate number of clusters and recognize their centers. Overall this research implies that using heterogeneous population in the genetic algorithm can lead to better results.

show abstract

“…The silhouette value for each point is a measure of how similar that point is to points in its own cluster compared to points in other clusters [8]. It is defined as:…”

Section: The Proposed Methodsmentioning

confidence: 99%

Section: The Proposed Methodsmentioning

confidence: 99%

Section: Literature Reviewmentioning

confidence: 99%

See 1 more Smart Citation

A variant of genetic algorithm for non-homogeneous population

2017

View full text Add to dashboard Cite

show abstract

“…A number of similar but more concrete approaches, primarily based on cluster evaluation and assessment, have been proposed (e.g. [16,17]) and reliably incorporated in popular software packages. Computational efficiency of these algorithms is poor as they construct a number of clusters, measure an evaluation metric (e.g.…”

Section: Number Of Clustersmentioning

confidence: 99%

Spatial Clustering Strategies for Hierarchical Multi-Scale Modelling of Metal Plasticity

Khairullah¹,

Gawąd²,

Roose³

et al. 2016

Proceedings of the VII European Congress on Computational Methods in Applied Sciences and Engineering (ECCOMAS Congress 2016)

View full text Add to dashboard Cite

Abstract. In multi-scale simulations of material forming processes, macroscopic zones of nearly homogeneous strain response occur. In such zones the evolution of plastic anisotropy at each finite element integration point can be approximated from the properties at a representative point. We show how these zones can be identified by a clustering algorithm and can be utilized to reduce the computational cost of the simulation.1

show abstract

“…O pseudocódigo deste algoritmo segue abaixo. É importante destacar que o algoritmo é iterativo e que, sob uma perspetiva de otimização, o algoritmo k-means preza por minimizar a soma da distância euclidiana ao quadrado entre os objetos dos grupo até seu respectivo centróide, como mostra a Equação 1 (LLETI et al, 2004). …”

Section: K-médiasunclassified

Seleção de atributos em agrupamento de dados utilizando algoritmos evolutivos

Martarelli¹

View full text Add to dashboard Cite

AgradecimentosAgradeço primeiramente a Deus, pela presença constante, condução, oportunidades oferecidas a mim. Ao meu orientador, Professor Doutor Marcelo Seido Nagano, pela confiança, paciência e incentivo durante esta jornada. A minha família, meus pais, Andrea e Antônio e aos meus irmãos, Thais e Rafael, pelo apoio incondicional durante toda minha vida e por sempre se posicionarem de forma positiva e motivadora. Ao meu noivo, Thiago, pelo apoio, paciência e dedicação, não só nesta etapa, mas em todas as outras. Aos amigos do Laboratório de Pesquisa Operacional Aplicada (LAOR), Fernando Rossi, Hugo Miyata, Thiago Soares e João Vítor Robazzi pela companhia, companheirismo e pelas discussões que enriqueceram este trabalho e minha experiência de vida. Aos funcionários do departamento de Engenharia de Produção da Escola de Engenharia de São Carlos (EESC) da Universidade de São Paulo, pela competência, disposição e dedicação. E, ao CNPq, pelo apoio financeiro concedido, o que tornou possível o desenvolvimento deste trabalho."Those that know, do. Those that understand, teach" -Aristotle ResumoMartarelli, Nádia Junqueira Seleção de atributos em agrupamento de dados utilizando algoritmos evolutivos. 137 p. Dissertação de mestrado -Escola de Engenharia de São Carlos, Universidade de São Paulo, 2016.Com o surgimento da tecnologia da informação, o processo de análise e interpretação de dados deixou de ser executado exclusivamente por seres humanos, passando a contar com auxílio computacional para a descoberta de conhecimento em grandes bancos de dados. Este auxílio exige uma organização e ordenação das atividades, antes manualmente exercidas, em um processo composto de três grandes etapas. A primeira etapa deste processo conta com uma tarefa de redução da dimensionalidade, que tem como objetivo a eliminação de atributos que não contribuem para a análise dos dados, resultando portanto, na seleção de um subconjunto dos atributos originais. A seleção de um subconjunto de atributos pode ser encarada como um problema de busca, já que há inúmeras possibilidades de combinação dos atributos originais em subconjuntos. Dessa forma, uma das estratégias de busca que pode ser adotada consiste na busca randômica, executada por um algoritmo genético ou pelas suas variações. Este trabalho propõe a aplicação de duas variações do algoritmo genético, Algoritmo Genético Construtivo e Algoritmo Genético Enviesado com Chave Aleatória, no problema de seleção de atributos em agrupamento de dados, já que estas duas variações ainda não foram aplicadas em tal problema. A fim de verificar o desempenho destas duas variações, comparou-se ambas com a abordagem tradicional do algoritmo genético. Efetuou-se também a comparação entre as duas variações. Para isto, foi utilizada três bases de dados retiradas do repositório UCI 1 de aprendizado de máquinas. Os resultados obtidos mostraram que os desempenhos, em termos de qualidade da solução, dos algoritmos: genético construtivo e genético enviesado com chave aleatório foram melhores, de maneira geral, do ...

show abstract

Selecting variables for k-means cluster analysis by using a genetic algorithm that optimises the silhouettes

Cited by 191 publications

References 4 publications

A variant of genetic algorithm for non-homogeneous population

A variant of genetic algorithm for non-homogeneous population

Spatial Clustering Strategies for Hierarchical Multi-Scale Modelling of Metal Plasticity

Seleção de atributos em agrupamento de dados utilizando algoritmos evolutivos

Contact Info

Product

Resources

About