La detección de la comunidad gráfica y la agrupación de datos son parte de ML, en mi humilde opinión … Entonces, para empezar, me parece que hay algo de incoherencia en la pregunta …
Los métodos GCD están especializados en la agrupación (o detección de camarillas) en gráficos, que son una representación especial de los datos (los objetos son nodos del gráfico y los bordes del gráfico representan algún tipo de relación cuantitativa o cualitativa entre objetos / nodos).
La agrupación de datos en general se puede aplicar a los datos que no tienen nada que ver con los gráficos. Por ejemplo, si tiene datos que consisten en un conjunto de personas, cada una etiquetada con peso y altura, y desea agruparlos, por ejemplo, para entregar una camiseta con el tamaño correcto, sus datos no son un gráfico, es decir, no existe una propiedad que relacione a priori cada una de las personas con ninguna otra. Así que no hay gráfico aquí …
- ¿Por qué los entrenamientos CNN desequilibrados afectan tanto la clasificación?
- ¿Cuál es la diferencia entre la función de pérdida y la función de activación?
- ¿Qué es Mach 23 en millas por hora?
- ¿Cuál es la forma correcta de encapsular la creación y capacitación del modelo Tensorflow en una clase?
- ¿Qué es la programación probabilística?
Por lo general, los algoritmos especializados tienden a mejorar en los problemas para los que están diseñados. Por lo tanto, los algoritmos GCD seguramente funcionarán mejor que los métodos generales cuando el problema sea encontrar camarillas / grupos en datos representados con gráficos.
Esta fue una respuesta de “sentido común” … Espero que sea correcta 🙂
