MEJORA DE LA EFICIENCIA EN ALGORITMOS DE BÚSQUEDA POR SIMILARIDAD MEDIANTE TÉCNICAS DE REDUCCIÓN DE DIMENSIONALIDAD

Abstract

LOS ALGORITMOS DE BúSQUEDA POR SIMILARIDAD SON APLICADOS DE FORMA MUY HABITUAL EN SISTEMAS DE INDEXACIóN DE GRANDES VOLúMENES DE DATOS HETEROGéNEOS COMO BASES DE DATOS MULTIMEDIA, DATOS GEOPOSICIONADOS O GESTORES DOCUMENTALES. EN ESTE CONTEXTO, LA NATURALEZA INTRíNSECA DE LOS DATOS SUPONE UN GRAN RETO DEBIDO A SU ALTA DIMENSIONALIDAD Y DISPERSIóN, LO QUE DIFICULTA SU TRATAMIENTO. ESTE TRABAJO INVESTIGARá CóMO EL ESCALADO Y PREPROCESADO DE DATOS PUEDE INFLUIR EN EL RENDIMIENTO DE ALGORITMOS DE APRENDIZAJE AUTOMáTICO APLICADOS A LA BúSQUEDA POR SIMILARIDAD EN CONJUNTOS DE DATOS DE ALTA DIMENSIONALIDAD Y DISPERSIóN. MEDIANTE UNA METODOLOGíA ESTRUCTURADA, SE ANALIZAN LOS EFECTOS DE ESTAS TéCNICAS ORIENTADAS A LA REDUCCIóN DE DIMENSIONALIDAD SOBRE LOS RESULTADOS EXPERIMENTALES, UTILIZANDO UNA PLATAFORMA ESTáNDAR PARA COMPARACIóN DE ALGORITMOS DE BúSQUEDA POR SIMILARIDAD.