A new data characterization for selecting clustering algorithms using meta-learning

Autor(es)

Pimentel, Bruno Almeida ^[1] ; de Carvalho, Andre C. P. L. F. ^[1]

Afiliação do(s) autor(es)

^[1] Univ Sao Paulo, Inst Ciencias Matemat & Comp, Sao Carlos, SP - Brazil

• Tipo de documento: Artigo Científico
• Fonte: INFORMATION SCIENCES; v. 477, p. 203-219, MAR 2019.
• Citações Web of Science: 2

Resumo

Meta-learning has been successfully used for algorithm recommendation tasks. It uses machine learning to induce meta-models able to predict the best algorithms for a new dataset. In this paper, meta-models are applied to a set of meta-features, describing a dataset, to predict the performance of clustering algorithms applied to this dataset. The paper also proposes a new set of meta-features, based on correlation and dissimilarity measures. Experimental results show that these meta-features improve the recommendation. Additionally, this paper evaluates the importance of each meta-feature for the recommendation. (C) 2018 Elsevier Inc. All rights reserved. (AU)

• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: Francisco Louzada Neto
• Modalidade de apoio: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
• Processo FAPESP: 16/18615-0 - Aprendizado de máquina avançado
• Beneficiário: André Carlos Ponce de Leon Ferreira de Carvalho
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Processo FAPESP: 17/20265-0 - Uso de meta-aprendizado para seleção de algoritmos em problemas de agrupamento
• Beneficiário: Bruno Almeida Pimentel
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado