Clusterizacin en

datos de alta
dimensionalidad
Anthony Ccapira
Cesar Aleman
Kevin Valencia

Temas

Definicin del problema

High dimensional
Mtodo usado
Conclusiones

Definicin del problema

Large Datasets
High dimensional
Find clusters - high dimensional Data Set
very expensive
domains: Biologia, astronomia, visin por computador y redes sociales.

Enfoques

Mtodos clsicos de clustering, que median la distancias de los puntos de

datos usando toda su dimensionalidad.
top-down
Mtodos basados jerarquas.

buscar subspaces de alta dimensionalidad.

bottom-up
eficiencia defiendete: dimensin
mltiples K database scans
subspace redundantes

Algoritmos previos

DBSCAN
PCA
PROCLUS, FINIT : TOP DOWN
Basado en densidad de grilla. Clique, MAFIA ENCLUS

Propiedades deseables del algoritmo

1.
2.

Salida: todos los posibles cluster donde un punto participa.

Solo nos da como resultado maximals subspace cluster

Mtodo propuesto: SUBSCALE

Subspace clustering
Principio Apriori
Encuentra sub espacios de calidad
Buen grado de paralelismo
escalable, bajo costo
solo requiere K data base scans por K-dimensin
6144 dimensional data set