validacion de clusters por medio de la herramienta matlab

VALIDACION DE CLUSTERS POR MEDIO DE LA HERRAMIENTA MATLAB

INGENIERIA ELECTRONICA

INTELIGENCIA ARTIFICIAL


INTRODUCCION
Uno de los principales usos de estas funciones de validez esta en la comparación de resultados al variar parámetros de los algoritmos usados para cluster. En el caso de FCM, el parámetro más difícil de fijar cuando no hay conocimiento de los datos, es la cantidad c declusters a encontrar. De esta manera, surge la idea del uso de las funciones de validez para encontrar el número óptimo de clusters de un conjunto de datos.
Diferentes formas de validación
1. Coeficiente de partición: en esta forma de validación se considera que mientras menos difusa sea la partición mejor es el cluster (PC).
2. Entropía de partición: mide la entropía de partición y buscaminimizar su valor (PE o CE).
3. Xie-Beni: busca una distancia intracluster mínima mientras que su distancia interclsuter es máxima (XB).
4. Fukuyama-sugeno: es una variante de Xie-Beni, busca optimizar las distancias intra-inter clúster (FS o S).

Funciones de validez de cluster FCM
En esta parte veremos a través de la herramienta matlab las distintas funciones de validez de cluster utilizandola función Fuzzy C Means.
Utilizaremos el siguiente código para las diferentes validaciones:
clear all
close all
clc
path(path,'..\..\..\FUZZCLUST')

KK = figure;
RR = figure;

%hold on
%plot(U(:,1:8));



%the data
data.X = nDexample(5,1000,2,1)
vx=[3,10];
%parameters
param.c=3;
param.m=2;
param.e=1e-6;
param.ro=ones(1,param.c);
%normalizationdata=clust_normalize(data,'range'); %normaliza por range

figure(KK);
hold on
for j=2:10 %corro el FCM para un numero de clases de 2 al 10

param.c=j;
result = FCMclust(data,param);
%result = GKclust(data,param);

param.val=1; % opcion 1 para validacion
%param.val=2; % opcion 2 para validacion
%param.val=3; % opcion 3 paravalidacion

result = validity(result,data,param);


plot(data.X(:,1),data.X(:,2),'b.',result.cluster.v(:,1),result.cluster.v(:,2),'ro');
%hold on
%draw contour-map


new.X=data.X;
eval=clusteval(new,result,param);

v(1,j)=result.validity.PC
v(2,j)=result.validity.CE

%v(1,j)=result.validity.SC
%v(2,j)=result.validity.S
%v(3,j)=result.validity.XB%v(1,j)=result.validity.DI
%v(2,j)=result.validity.ADI

end

%hold off

figure(RR);
hold on
subplot(2,2,1)
plot (v(1,:,:));
subplot(2,2,2)
plot (v(2,:,:));
%subplot(2,2,3)
%plot (v(3,:,:));
result.validity

%hold off
%hold off

Grafica de cluster


Validación 1
En FCM utilizando el parámetro de validación 1 podremos observar el resultado de la validación por PC (figura 1) y por CE (figura 2)donde podemos observar que la mejor forma de partición de cluster esta en 3 conociendo que este tipo de partición o validación de cluster es por máximo aunque en las demás particiones se observa un numero considerable de probabilidad exitosa, mientras que en CE que sabemos que es de implicación minima observamos que las mejores particiones se encuentran en 3 y dos respectivamente.


Validación2
En FCM utilizando el parámetro de validación 2 podremos observar el resultado de la validación por SC (figura 1) y por S (figura 2) y XB (figura 3) donde observamos que la mejor forma de partición de cluster esta en 2 siendo para SC la mejor forma de partición, vemos en S que aunque dos es la mejor partición se presenta un gran numero de variaciones en las demás, para XB observamos que difierede las otras dos ya que la mejor partición esta en tres, esto puede indicar que para este tipo de diseño podría ser poco confiable la partición por XB.


Validación 3
En FCM utilizando el parámetro de validación 3 podremos observar el resultado de la validación por DI (figura 1) y por ADI (figura 2) donde vemos claramente que la mejor forma de partición de cluster esta en 2 para ADI, no...