Gaussian Motion Data
Base de datos sintética con deriva de conceptos para probar algoritmos de agrupamento evolutivo
Na literatura sobre Clustering Evolutivo hai actualmente unha falta de conxuntos de datos dispoñibles publicamente (sintéticos ou reais) para avaliar algoritmos en situacións de deriva de concepto. A base de datos sintética que aquí se presenta pode utilizarse para probar a capacidade dos algoritmos para seguir a deriva dos datos.
O feito de que os datos sexan simulados proporciona un coñecemento detallado da súa estrutura subxacente, o que permite unha avaliación máis exhaustiva dos resultados. Isto é especialmente importante na agrupación en liña para avaliar non só o resultado final proporcionado polo algoritmo, senón tamén os resultados intermedios.
Ao ter un coñecemento detallado dos modelos que xeraron os datos, é posible avaliar con precisión o rendemento dos algoritmos en todos os estados intermedios.
A base de datos está composta por varios conxuntos de datos con deriva de concepto que tamén conteñen información sobre a evolución temporal dos modelos que xeraron os datos.
Os conxuntos de datos xeráronse mediante distribucións gaussianas cuxa media e/ou covarianza cambian co tempo. Na base de datos inclúense tanto os datos simulados como as distribucións gaussianas que os xeraron, o que permite avaliar con precisión as particións ao longo do tempo.
Cita recomendada
@article{MARQUEZ201816,
title = "A novel and simple strategy for evolving prototype based clustering",
journal = "Pattern Recognition",
volume = "82",
pages = "16 - 30",
year = "2018",
issn = "0031-3203",
doi = "https://doi.org/10.1016/j.patcog.2018.04.020",
url = "http://www.sciencedirect.com/science/article/pii/S0031320318301547",
author = "David G. Márquez and Abraham Otero and Paulo Félix and Constantino A. García",
keywords = "Evolving clustering, Data stream, Concept drift, Gaussian mixture models, K-means, Cluster evolution"
}