Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2017-04-17T22:16:50Z No. of bitstreams: 1 NielsenCasteloDamascenoDantas_TESE.pdf: 581150 bytes, checksum: 9543323aa1568bdc35f349c906b0c64b (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2017-04-19T21:06:11Z (GMT) No. of bitstreams: 1 NielsenCasteloDamascenoDantas_TESE.pdf: 581150 bytes, checksum: 9543323aa1568bdc35f349c906b0c64b (MD5) / Made available in DSpace on 2017-04-19T21:06:11Z (GMT). No. of bitstreams: 1 NielsenCasteloDamascenoDantas_TESE.pdf: 581150 bytes, checksum: 9543323aa1568bdc35f349c906b0c64b (MD5) Previous issue date: 2016-10-05 / O k-means ? um algoritmo benchmark bastante utilizado na ?rea de minera??o de dados.Ele pertence ? grande categoria de heur?sticas com base em etapas delocaliza??o-aloca??o que, alternadamente, localiza centros de cluster e atribu?pontos de dados a eles at? que nenhuma melhoria seja poss?vel. Tais heur?sticass?o conhecidas por sofrer de um fen?meno chamado de degenera??o, em que,alguns dos clusters ficam vazios, e, portanto, fora de uso. Nesta tese, prop?e-sevarias compara??es e uma s?rie de estrat?gias para contornar solu??esdegeneradas durante a execu??o de k-means. Os experimentos computacionaisdemonstram que essas estrat?gias s?o eficientes e levam a melhoressolu??es de agrupamento na grande maioria dos casos testados.