ALGORITMO DBSCAN
Páginas: 2 (301 palabras)
Publicado: 13 de octubre de 2015
ALGORITMO DBSCAN
El algoritmo dbscan está basado en densidad y se considera como grupos a las regiones densamente pobladas del espacio de representación de los objetos y como ruido aaquellos objetos que se encuentran fuera de estas regiones y se utiliza diversas técnicas para determinar grupos esto puede ser mediante grafos, histogramas, kernels, aplicando una regla k-NN, estealgoritmo emplea un enfoque para dividir un conjunto de datos ya sean de punto central, borde o ruido los que serán usados para determinar diferentes clusters.
Este algoritmo fue desarrolladoen 1996 por M. Ester en la Universidad de Múnich, realmente este algoritmo es muy sencillo de implementar en algún proyecto pero existe que la densidad de los puntos depende del radio de laregión de vecindad especificado. Así mismo, si el radio es suficientemente grande todos los puntos tendrán una densidad igual al número de puntos total del conjunto de datos. Y por otra parte,si son muy pequeño todos los puntos tendrán una densidad igual a uno, por lo tanto, el punto se encontrara aislado.
Han existido aplicaciones de DBSCAN realizadas con éxito como: la detecciónde usos en las tierras a partir de imágenes satélite, la creación de perfiles de usuarios en Internet mediante la agrupación de sesiones Web, o el agrupamiento de bases de datos de imágenes enhistogramas en color facilitando la búsqueda de imágenes similares. (Kriegel, 2000)
Podemos concluir que la idea principal de este algoritmo es encontrar todos los puntos centrales de un grupoque tiene una región de vencidad con un mínimo de puntos de radio determinado.
REFERENCIAS
H. Kriegel, “Density-based cluster- and outlier analysis.” Website, 2000.http://www.dbs.informatik.uni-muenchen.de/Forschung/KDD/ Clustering/index.html.
D. Pascual, F. Pla, S. Sanchez, “Algoritmos de agrupamiento”, 2007.
marmota.dlsi.uji.es/WebBIB/papers/2007/1_Pascual-MIA-2007.pdf
El algoritmo dbscan está basado en densidad y se considera como grupos a las regiones densamente pobladas del espacio de representación de los objetos y como ruido aaquellos objetos que se encuentran fuera de estas regiones y se utiliza diversas técnicas para determinar grupos esto puede ser mediante grafos, histogramas, kernels, aplicando una regla k-NN, estealgoritmo emplea un enfoque para dividir un conjunto de datos ya sean de punto central, borde o ruido los que serán usados para determinar diferentes clusters.
Este algoritmo fue desarrolladoen 1996 por M. Ester en la Universidad de Múnich, realmente este algoritmo es muy sencillo de implementar en algún proyecto pero existe que la densidad de los puntos depende del radio de laregión de vecindad especificado. Así mismo, si el radio es suficientemente grande todos los puntos tendrán una densidad igual al número de puntos total del conjunto de datos. Y por otra parte,si son muy pequeño todos los puntos tendrán una densidad igual a uno, por lo tanto, el punto se encontrara aislado.
Han existido aplicaciones de DBSCAN realizadas con éxito como: la detecciónde usos en las tierras a partir de imágenes satélite, la creación de perfiles de usuarios en Internet mediante la agrupación de sesiones Web, o el agrupamiento de bases de datos de imágenes enhistogramas en color facilitando la búsqueda de imágenes similares. (Kriegel, 2000)
Podemos concluir que la idea principal de este algoritmo es encontrar todos los puntos centrales de un grupoque tiene una región de vencidad con un mínimo de puntos de radio determinado.
REFERENCIAS
H. Kriegel, “Density-based cluster- and outlier analysis.” Website, 2000.http://www.dbs.informatik.uni-muenchen.de/Forschung/KDD/ Clustering/index.html.
D. Pascual, F. Pla, S. Sanchez, “Algoritmos de agrupamiento”, 2007.
marmota.dlsi.uji.es/WebBIB/papers/2007/1_Pascual-MIA-2007.pdf
Leer documento completo
Regístrate para leer el documento completo.