Return to search

Clusterização baseada em algoritmos fuzzy

Made available in DSpace on 2014-06-12T15:59:42Z (GMT). No. of bitstreams: 1
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2006 / Análise de cluster é uma técnica aplicada a diversas áreas como mineração de dados, reconhecimento
de padrões, processamento de imagens. Algoritmos de clusterização têm por objetivo
particionar um conjunto de dados em clusters de tal forma que indivíduos dentro de um mesmo
cluster tenham um alto grau de similaridade, enquanto indivíduos pertencentes a diferentes
clusters tenham alto grau de dissimilaridade.
Uma importante divisão dos algoritmos de clusterização é entre algoritmos hard e fuzzy.
Algoritmos hard associam um indivíduo a somente um cluster. Ao contrário, algoritmos fuzzy
associam um indivíduo a todos os clusters através da variação do grau de pertinência do indivíduo
em cada cluster. A vantagem de um algoritmo clusterização fuzzy é que este pode
representar melhor incerteza e este fato é importante, por exemplo, para mostrar que um indivíduo
não é um típico indivíduo de nenhuma das classes, mas tem similaridade em maior ou
menor grau com mais de uma classe.
Uma forma intuitiva de medir similaridade entre indivíduos é usar medidas de distância tais
como a distância euclidiana. Existem muitas medidas de distância disponíveis na literatura.
Muitos dos algoritmos de clusterização populares geralmente buscam minimizar um critério
baseados numa medida de distância. Através de um processo iterativo estes algoritmos calculam
parâmetros de modo a diminuir o valor do critério iteração a iteração até um estado de
convergência ser atingido.
O problema com muitas das distâncias encontradas na literatura é que elas são estáticas.
Para o caso de algoritmos de clusterização iterativos, parece razoável ter distâncias que mudem
ou atualizem seus valores de acordo com o que for ocorrendo com os dados e as estruturas de
dado do algoritmo.
Esta dissertação apresenta duas distâncias adaptativas aplicadas ao algoritmo fuzzy c-means
pelo Prof. Francisco de Carvalho. Este algoritmo foi escolhido pelo fato de ser amplamente
utilizado. Para avaliar as proposições de distância, experimentos foram feitos utilizando-se conjunto
de dados de referência e conjuntos de dados artificiais (para ter resultados mais precisos
experimentos do tipo Monte Carlo foram realizados neste caso). Até o momento, comparações
das versões do fuzzy c-means, obtidas através da utilização de distâncias adaptativas, com algoritmos
similares da literatura permitem concluir que em geral as novas versões têm melhor
performance que outros disponíveis na literatura

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/2619
Date January 2006
CreatorsLopes Cavalcanti Junior, Nicomedes
Contributorsde Assis Tenório Carvalho, Francisco
PublisherUniversidade Federal de Pernambuco
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Sourcereponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0023 seconds