Hybrid data labeling algorithm for clustering large mixed type data

Sangam, Ravi Sankar; Om, Hari

doi:10.1007/s10844-014-0348-x

Cited by 12 publications

(5 citation statements)

References 20 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Ji et al (2015) apresentaram um método para inicialização dos centroides no algoritmo k-prototype. Sangam and Om (2015) propuseram o algoritmo Hybrid Data Labeling Algorithm (HDLA) para atribuir um novo registro a um dos grupos já existentes. Os autores usam os algoritmos k-prototype e o OCIL.…”

Section: Resultsunclassified

Agrupamento De Dados Mistos Baseados No Algoritmo K-Means: Uma Revisão Sistemática Da Literatura

Martarelli¹,

Nagano²

2019

Atas Da Conferência Ibero-Americana WWW/Internet 2019

View full text Add to dashboard Cite

O agrupamento de dados é uma atividade de mineração que busca por grupos naturais em conjuntos de dados não rotulados. Embora bem desenvolvida para dados numéricos, o desenvolvimento de algoritmos para dados mistos (atributos numéricos e categóricos) ainda é incipiente. Diante do fato de que os conjunto de dados mistos caracterizam a maioria dos problemas reais, o avanço desta temática é essencial para o beneficiamento da sociedade e da indústria. Dessa forma, este trabalho tem como objetivo reunir e discutir as principais contribuições publicadas na literatura sobre algoritmos de agrupamento de dados mistos, especificamente as abordagens baseadas no algoritmo k-means, já que este algoritmo apresenta alta velocidade de processamento e fácil implementação, características estas almejadas na resolução de problemas do mundo real. Diante disso, realizou-se uma revisão bibliográfica sistemática na base de dados Scopus, onde foram aceitos apenas artigos em inglês, com o indicador Jornal Citation Report (JCR) maior ou igual a um, ou com pelo menos dois indicadores de impacto maior ou igual a um. Como primeiro resultado da busca, obteve-se 1.104 trabalhos. Após a aplicação dos critérios adotados, obteve-se 456 trabalhos passíveis de avaliação. Posteriormente, avaliou-se quais trabalhos estavam dentro do objetivo da análise, por meio de três filtros de seleção, os quais contemplaram diferentes leituras dos trabalhos. Como resultado, obteve-se 37 artigos. Após um estudo detalhado, observou-se que esta temática ainda apresenta um desenvolvimento recente e esparso. Além disso, percebeu-se que os trabalhos selecionados exploraram alguns temas-chave, como a definição dos pesos dos atributos, número de grupos, inicialização dos centroides e agrupamento sujeito a restrições.

show abstract

Section: Resultsunclassified

Agrupamento De Dados Mistos Baseados No Algoritmo K-Means: Uma Revisão Sistemática Da Literatura

Martarelli¹,

Nagano²

2019

Atas Da Conferência Ibero-Americana WWW/Internet 2019

View full text Add to dashboard Cite

show abstract

“…Sangam and Om [12] presented a hybrid algorithm integrates K-Modes and K-Means algorithms to allow clustering data points described by mixed data type, i.e. categorical and numerical attributes by using a combined dissimilarity measure.…”

Section: A Traditional Clustering Algorithmsmentioning

confidence: 99%

HPPD: A Hybrid Parallel Framework of Partition-based and Density-based Clustering Algorithms in Data Streams

Alazeez¹

2020

AL-Rafidain Journal of Computer Sciences and Mathematics

View full text Add to dashboard Cite

Data stream clustering refers to the process of grouping continuously arriving new data chunks into continuously changing groups to enable dynamic analysis of segmentation patterns. However, the main attention of research on clustering methods till now has been concerned with alteration of the methods updated for static datasets and changes of the available modified methods. Such methods presented only one type of final output clusters, i.e. convex or non-convex shape clusters. This paper presents a novel two-phase parallel hybrid clustering (HPPD) algorithm that identify convex and non-convex groups in online stage and mixed groups in offline stage from data stream. In this work, we first receive the data stream and apply pre-processing step to identify convex and non-convex clusters. Secondly, apply modified EINCKM to present online output convex clusters and modified EDDS to present online output non-convex clusters in parallel scheme. Thirdly, apply adaptive merging strategy in offline stage to give last composed output groups. The method is assessed on a synthetic dataset. The output results of the experiments have authenticate the activeness and effectiveness of the method.

show abstract

“…Accordingly, they propose an iterative clustering algorithm that finds the number of clusters automatically. Sangam and Om [100] present a sampling-based clustering algorithm for mixed datasets. The algorithm has two steps: first, a sample of data points is used for clustering, and then other points are assigned to the clusters depending upon their similarity with the clusters.…”

Section: E Othermentioning

confidence: 99%

Survey of state-of-the-art mixed data clustering algorithms

Ahmad,

Khan

2018

Preprint

View full text Add to dashboard Cite

Mixed data comprises both numeric and categorical features, and mixed datasets occur frequently in many domains, such as health, finance, and marketing. Clustering is often applied to mixed datasets to find structures and to group similar objects for further analysis. However, clustering mixed data is challenging because it is difficult to directly apply mathematical operations, such as summation or averaging, to the feature values of these datasets. In this paper, we present a taxonomy for the study of mixed data clustering algorithms by identifying five major research themes. We then present a state-of-theart review of the research works within each research theme. We analyze the strengths and weaknesses of these methods with pointers for future research directions. Lastly, we present an in-depth analysis of the overall challenges in this field, highlight open research questions and discuss guidelines to make progress in the field.

show abstract

Hybrid data labeling algorithm for clustering large mixed type data

Cited by 12 publications

References 20 publications

Agrupamento De Dados Mistos Baseados No Algoritmo K-Means: Uma Revisão Sistemática Da Literatura

Agrupamento De Dados Mistos Baseados No Algoritmo K-Means: Uma Revisão Sistemática Da Literatura

HPPD: A Hybrid Parallel Framework of Partition-based and Density-based Clustering Algorithms in Data Streams

Survey of state-of-the-art mixed data clustering algorithms

Contact Info

Product

Resources

About