dc.contributor.advisor | García Gutiérrez, Jorge | es |
dc.contributor.advisor | Martínez Ballesteros, María del Mar | |
dc.creator | Luna Romera, José María | es |
dc.date.accessioned | 2019-11-19T09:19:35Z | |
dc.date.available | 2019-11-19T09:19:35Z | |
dc.date.issued | 2019-10-17 | |
dc.identifier.citation | Luna Romera, J.M. (2019). New internal and external validation indices for clustering in Big Data. (Tesis Doctoral Inédita). Universidad de Sevilla, Sevilla. | |
dc.identifier.uri | https://hdl.handle.net/11441/90302 | |
dc.description.abstract | Esta tesis, presentada como un compendio de artículos de investigación,
analiza el concepto de índices de validación de clustering y aporta nuevas
medidas de bondad para conjuntos de datos que podrían considerarse Big
Data debido a su volumen. Además, estas medidas han sido aplicadas en
proyectos reales y se propone su aplicación futura para mejorar algoritmos
de clustering.
El clustering es una de las técnicas de aprendizaje automático no supervisado
más usada. Esta técnica nos permite agrupar datos en clusters de
manera que, aquellos datos que pertenezcan al mismo cluster tienen características
o atributos con valores similares, y a su vez esos datos son disimilares
respecto a aquellos que pertenecen a los otros clusters. La similitud de los
datos viene dada normalmente por la cercanía en el espacio, teniendo en
cuenta una función de distancia. En la literatura existen los llamados índices
de validación de clustering, los cuales podríamos definir como medidas para
cuantificar la calidad de un resultado de clustering. Estos índices se dividen
en dos tipos: índices de validación internos, que miden la calidad del clustering
en base a los atributos con los que se han construido los clusters; e
índices de validación externos, que son aquellos que cuantifican la calidad del
clustering a partir de atributos que no han intervenido en la construcción de
los clusters, y que normalmente son de tipo nominal o etiquetas.
En esta memoria se proponen dos índices de validación internos para clustering
basados en otros índices existentes en la literatura, que nos permiten
trabajar con grandes cantidades de datos, ofreciéndonos los resultados en un
tiempo razonable. Los índices propuestos han sido testeados en datasets sintéticos
y comparados con otros índices de la literatura. Las conclusiones de
este trabajo indican que estos índices ofrecen resultados muy prometedores
frente a sus competidores.
Por otro lado, se ha diseñado un nuevo índice de validación externo de
clustering basado en el test estadístico chi cuadrado. Este índice permite
medir la calidad del clustering basando el resultado en cómo han quedado
distribuidos los clusters respecto a una etiqueta dada en la distribución. Los
resultados de este índice muestran una mejora significativa frente a otros
índices externos de la literatura y en datasets de diferentes dimensiones y características.
Además, estos índices propuestos han sido aplicados en tres proyectos
con datos reales cuyas publicaciones están incluidas en esta tesis doctoral.
Para el primer proyecto se ha desarrollado una metodología para analizar el
consumo eléctrico de los edificios de una smart city. Para ello, se ha realizado
un análisis de clustering óptimo aplicando los índices internos mencionados
anteriormente. En el segundo proyecto se ha trabajado tanto los índices internos
como con los externos para realizar un análisis comparativo del mercado
laboral español en dos periodos económicos distintos. Este análisis se realizó
usando datos del Ministerio de Trabajo, Migraciones y Seguridad Social, y
los resultados podrían tenerse en cuenta para ayudar a la toma de decisión
en mejoras de políticas de empleo. En el tercer proyecto se ha trabajado con
datos de los clientes de una compañía eléctrica para caracterizar los tipos
de consumidores que existen. En este estudio se han analizado los patrones
de consumo para que las compañías eléctricas puedan ofertar nuevas tarifas
a los consumidores, y éstos puedan adaptarse a estas tarifas con el objetivo
de optimizar la generación de energía eliminando los picos de consumo que
existen la actualidad. | es |
dc.description.abstract | This thesis, presented as a compendium of research articles, analyses
the concept of clustering validation indices and provides new measures of
goodness for datasets that could be considered Big Data. In addition, these
measures have been applied in real projects and their future application is
proposed for the improvement of clustering algorithms.
Clustering is one of the most popular unsupervised machine learning
techniques. This technique allows us to group data into clusters so that the
instances that belong to the same cluster have characteristics or attributes
with similar values, and are dissimilar to those that belong to the other
clusters. The similarity of the data is normally given by the proximity in
space, which is measured using a distance function. In the literature, there
are so-called clustering validation indices, which can be defined as measures
for the quantification of the quality of a clustering result. These indices are
divided into two types: internal validation indices, which measure the quality
of clustering based on the attributes with which the clusters have been built;
and external validation indices, which are those that quantify the quality of
clustering from attributes that have not intervened in the construction of
the clusters, and that are normally of nominal type or labels.
In this doctoral thesis, two internal validation indices are proposed for
clustering based on other indices existing in the literature, which enable
large amounts of data to be handled, and provide the results in a reasonable
time. The proposed indices have been tested with synthetic datasets and
compared with other indices in the literature. The conclusions of this work
indicate that these indices offer very promising results in comparison with
their competitors.
On the other hand, a new external clustering validation index based on
the chi-squared statistical test has been designed. This index enables the
quality of the clustering to be measured by basing the result on how the
clusters have been distributed with respect to a given label in the distribution.
The results of this index show a significant improvement compared to
other external indices in the literature when used with datasets of different
dimensions and characteristics.
In addition, these proposed indices have been applied in three projects with real data whose corresponding publications are included in this doctoral
thesis. For the first project, a methodology has been developed to analyse
the electrical consumption of buildings in a smart city. For this study, an
optimal clustering analysis has been carried out by applying the aforementioned
internal indices. In the second project, both internal and external
indices have been applied in order to perform a comparative analysis of the
Spanish labour market in two different economic periods. This analysis was
carried out using data from the Ministry of Labour, Migration, and Social
Security, and the results could be taken into account to help decision-making
for the improvement of employment policies. In the third project, data from
the customers of an electric company has been employed to characterise the
different types of existing consumers. In this study, consumption patterns
have been analysed so that electricity companies can offer new rates to consumers.
Conclusions show that consumers could adapt their usage to these
rates and hence the generation of energy could be optimised by eliminating
the consumption peaks that currently exist. | es |
dc.format | application/pdf | es |
dc.language.iso | spa | es |
dc.language.iso | eng | es |
dc.rights | Atribución 4.0 Internacional | * |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Minería de datos | es |
dc.subject | Clustering | es |
dc.subject | Índices de validación | es |
dc.subject | Big Data | es |
dc.subject | Data mining | es |
dc.subject | Validation indexes | es |
dc.title | New internal and external validation indices for clustering in Big Data | es |
dc.type | info:eu-repo/semantics/doctoralThesis | es |
dcterms.identifier | https://ror.org/03yxnpp24 | |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Lenguajes y Sistemas Informáticos | es |
idus.format.extent | 161 p. | es |
dc.description.awardwinning | Premio Extraordinario de Doctorado US | |