Acelerando o cálculo do índice Dunn de validação de agrupamento

• Eduardo S. Grün UFG
• Wellington S. Martins UFG
• Ricardo Franco UFG

DOI: https://doi.org/10.5753/eradco.2024.4532

Resumo

Este trabalho apresenta uma implementação paralela do índice de Dunn utilizando GPUs para acelerar o cálculo. O índice de Dunn é uma métrica comum para avaliar a qualidade de agrupamentos. Ao explorar o paralelismo das GPUs, conseguimos acelerar significativamente o cálculo desse índice, permitindo a análise de conjuntos de dados maiores e mais complexos. Comparando a implementação paralela com a sequencial, observamos ganhos substanciais de desempenho, demonstrando a eficácia da abordagem proposta.

Referências

Luna-Romera, J. M., Martínez Ballesteros, M., Garcıa-Gutierrez, J., and Riquelme, J. (2016). An approach to silhouette and dunn clustering indices applied to big data in spark. Advances in Artificial Intelligence. CAEPIA 2016. Lecture Notes in Computer Science(), vol 9868. Springer, Cham.

Brazdil, P., Giraud-Carrier, C., Soares, C., and Vilalta, R. (2009). Metalearning: Applications to data mining. Springer Publishing Company.

PUMA-VILLANUEVA, W. J.; VON ZUBEN, F. J. Índices de validação de agrupamentos.

Dunn, J.: Well-separated clusters and optimal fuzzy partitions. Journal of Cybernetics 4(1), 95–104 (1974)

Rivolli, A., Garcia, L. P., Soares, C., Vanschoren, J., and de Carvalho, A. C. (2018). Characterizing classification datasets: a study of meta-features for meta-learning. arXiv preprint arXiv:1808.10406.