ESTUDIO COMPARATIVO DEL ALGORITMO K_MEANS PARA DISTINTAS DISTANCIAS EN ESPACIOS NO MÉTRICOS

Abstract

En el siguiente trabajo se ha explorado la posibilidad de combinar el algoritmo k-means con las distancias no métricas. Con esta variación del algoritmo de clusterización, se persigue agrupar elementos cuya similitud no se represente con la tradicional distancia euclídea, sino que se distinga mejor con una distancia que no esté sujeta a las restricciones métricas. La estructura de este trabajo es la siguiente. En primer lugar, en el capítulo 3, se describirá el trabajo previo desarrollado en este campo al respecto. Concretamente, se analizará el algoritmo k-means al detalle y, después, se hablará sobre las distancias no métricas. En el capítulo 4, se realizará un análisis comparativo entre el algoritmo k-means tradicional y el no métrico. Se empezará con un estudio teórico para demostrar la posibilidad de mejora de esta nueva técnica y, más tarde, se aplicará el método en dos conjuntos de datos con aplicaciones reales. Como el lector podrá observar, se consigue una notable mejoría en uno de los casos de uso. En el siguiente capítulo, se expondrán las conclusiones obtenidas, sobre todo, de los casos de uso analizados y también de la literatura científica correspondiente. Se hablará sobre las limitaciones y los beneficios de esta técnica en aplicaciones de mundo real. Para finalizar, se tratarán las futuras vías de la clusterización y el lugar que tiene el k-means no métrico en ellas. Se expondrán brevemente los resultados obtenidos por técnicas más modernas, como pueden ser los algoritmos de aprendizaje automático, para poder intuir el camino que recorrer¿a la investigación y la aplicación de la clusterización.