Made available in DSpace on 2014-06-12T15:51:50Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Com a crescente quantidade de informacões produzidas pelas diversas atividades humanas, tem se tornado cada vez mais importante agregar, tratar e manipular grandes massas de dados de modo a definir conceitos e extrair conhecimento destes dados. Esses conceitos podem ser descritos por dados mais complexos, chamados dados simbolicos. Nesse contexto, surge a necessidade de estender metodos exploratorios, estatisticos e representações graficas para lidar com esse tipo de dados, em que cada variavel pode assumir como valor um conjunto de categorias, intervalos ou distribuicões de probabilidades. A analise de dados simbolicos e definida como a extensão dos metodos de analise de dados classicos para tal tipo de dados. Com o intuito de estender metodos estatisticos e tecnicas de aprendizado de maquina a esse tipo de dados, e necessario definir medidas de distância apropriadas. Diversas medidas de distância têm sido propostas na literatura. No entanto, ainda existe na literatura uma carência de analises comparativas dos desempenhos de medidas de distância para dados simbolicos. A principal contribuicão desta Dissertacão e prover uma avaliacão empirica de funções de dissimilaridade para dados simbolicos no contexto de analise de agrupamento. Alem disso, foram propostas novas medidas de dissimilaridade para dados simbolicos. Com o intuito de atingir esses objetivos, foi desenvolvido um framework para agrupamento de dados simbolicos. Esse framework utiliza funções de dissimilaridade baseadas em volume e algoritmos de agrupamento de dados relacionais. Os experimentos foram executados com bases de dados de benchmark e duas bases de dados artificiais com diferentes graus de dificuldade de agrupamento. Os resultados obtidos foram avaliados atraves do indice de rand corrigido. Em seguida, foram construidos os intervalos de confianca para comparar os desempenhos dos algoritmos de agrupamento e das medidas de dissimilaridade

Made available in DSpace on 2014-06-12T15:53:04Z (GMT). No. of bitstreams: 2 arquivo4841_1.pdf: 1339242 bytes, checksum: 436434b8efc86d7d29ed2ccfa1e7d871 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / A análise de dados simbólicos (Symbolic Data Analysis) é uma nova abordagem na área de descoberta automática de conhecimentos que visa desenvolver métodos para dados descritos por varáveis onde existem conjuntos de categorias, intervalos ou distribuições de probabilidade nas células das tabelas de dados. O objetivo deste trabalho é introduzir métodos de cluster para intervalos usando algoritmos de nuvens dinâmicas. Estes algoritmos consistem em obter, simultaneamente, uma partição em classes e identificar um conjunto de representantes das classes minimizando um critério que mede a adequação entre as classes e os protótipos. Os algoritmos de nuvens dinâmicas com distâncias adaptativas também encontram uma partição e um conjunto de representantes minimizando uma função critério, mas em cada interação existe uma distância diferente para comparar cada classe com o seu protótipo. A vantagem das distâncias adaptativas é que o algoritmo de agrupamento é capaz de reconhecer classes de formas e tamanhos diferentes. Neste trabalho, foi desenvolvido um método de nuvens dinâmicas usando a distância L1 para intervalos. Além deste método, foram também introduzidos três métodos com, respectivamente, as distâncias L1 (City-Block), L2 (Euclidiana) e L¥ (Máximo) adaptativas para intervalos. Para validar os métodos, foram realizados experimentos com um conjunto de espécies de peixes e dois conjuntos de dados artificiais de intervalos com diferentes graus de dificuldade de classificação. Os resultados fornecidos pelos métodos têm sido avaliados por um índice externo na estrutura de uma experiência Monte Carlo e testes estatísticos evidenciam que o desempenho dos métodos adaptativos é superior ao dos métodos não adaptativos