CLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS
|
|
- Sílvia Camilo Ferreira
- 6 Há anos
- Visualizações:
Transcrição
1 CLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS Éldman de Olvera Nunes Escola de Admnstração do Exércto Rua Terrtóro do Amapá, 455, , Salvador, BA, Brasl Aura Conc Unversdade Federal Flumnense Rua Passo da Pátra, 156, , Nteró, RJ, Brasl Resumo A clusterzação é uma técnca extremamente mportante para análse do comportamento dos dados e têm sdo largamente utlzada para solução de dversos problemas de ordem prátca. Entretanto, o desconhecmento do número deal de grupos para partção da base, bem como o excesso de atrbutos que compõe os dados, são fatores que degradam a qualdade dos resultados. Este artgo apresenta uma nova estratéga para reduzr a dmensonaldade dos dados a partr da determnação automátca do número deal de grupos presentes em uma base. Os resultados obtdos com a nova estratéga proposta demonstram ser possível melhorar a abrangênca e a acuráca na classfcação dos dados. Palavras-Chaves: Análse de Agrupamentos, segmentação, K-Means. Abstract The clusterng s an extremely mportant technque for analyss of the behavor of the data that has been broadly used for soluton of vared problems of practcal order. However, the unknowledge of the deal number of clusters for partton of the base, as well as the excess of attrbutes that composes the data are factors that degrade the qualty of the results. Ths artcle presents one new strategy to reduce the dmensonalty of the data from of the automatc determnaton of the deal number of clusters present at the base. The obtaned results wth the new proposed strategy demonstrate to be possble to mprove the abrangency and the accuracy n the classfcaton of the data. Keywords: Clusters Analyss, segmentaton, K-Means 1. INTRODUÇÃO A clusterzação é uma ferramenta útl para o estudo e compreensão do comportamento de dados que tem sdo empregada na solução de dversos problemas nas mas varadas áreas do conhecmento. Seu objetvo é organzar os objetos de uma base de dados em grupos de tal forma que os objetos dentro de um mesmo grupo sejam mas smlares entre s do que com objetos de outros grupos. Quando a solução do problema de agrupamento depende da nformação a pror do número de grupos desejados para partção dos dados, este é referencado na lteratura como problema de k -clusterzação [1]. Entretanto, na maora das aplcações prátcas, o número deal de grupos é desconhecdo e sua obtenção acrescenta complexdade na solução, sendo referencado na lteratura como problema de clusterzação automátca [2]. 1
2 Em ambos os casos, a efcênca da solução dependerá da regulardade e da unformdade dos dados dsponíves. Dfclmente, porém, tal comportamento é encontrado na maora das stuações reas, pos estas envolvem uma grande massa de dados, compostos por dversos atrbutos. Consderando que a multdmensonaldade dos atrbutos usados para organzar os dados consttu-se em um fator complcador para solução de um problema, a seleção dos atrbutos mas relevantes do conjunto de atrbutos dsponíves na base de dados é um passo mportante para dmnur o tempo de processamento, reduzr o espaço de busca e evtar erros de classfcação. A determnação automátca do número deal de grupos em um problema de clusterzação e a redução da dmensonaldade dos atrbutos usados para organzar os dados são aspectos de grande utldade na análse de agrupamentos e consttu-se no objetvo deste trabalho. 2. CLUSTERIZAÇÃO Dado um conjunto X, um problema de Clusterzação (análse de agrupamento) consste em se agrupar os objetos (elementos) de X de modo que objetos mas smlares fquem no mesmo grupo (cluster) e os objetos menos smlares sejam alocados para grupos dstntos (fgura 1). FIGURA 1 - Esquema funconal de um algortmo de clusterzação Problemas de clusterzação podem ser defndos da segunte forma [3]: Dado um conjunto com n elementos X { X X..., } =, o problema de clusterzação consste na obtenção de um conjunto de k clusters, C { C C,..., } 1, 2, X n, 2 C k =, tal que haja uma maor smlardade entre os elementos contdos em um cluster C do que qualquer um destes com os elementos de um dos demas clusters do conjunto C. O conjunto C é consderado uma clusterzação com k clusters caso as condções das equações (1-3) sejam satsfetas: Υ k =1 C = X (1) C, para : 1 k (2) C C =, para :1, j k, j (3) j A busca pela melhor solução no espaço de soluções possíves torna o processo de clusterzação um problema NP-Dfícl. A utlzação de métodos exatos para obtenção da solução ótma fca mpratcável, uma vez que a verfcação exaustva de todas as confgurações de agrupamentos possíves é computaconalmente nvável [3]. 2
3 Para o problema de k-clusterzação, quando se conhece o número de k a pror, exstem N dferentes maneras de agrupar n elementos em k clusters: N k 1 n, (4) k! k ( n k) = ( 1) ( )( k ) = 0 O que torna exponencal o crescmento de n. Por exemplo, exstem os seguntes números de soluções possíves para se combnar 10 elementos, 100 elementos e elementos em 2 clusters, respectvamente: 512 soluções, 6, soluções e 300 5, soluções. Para o problema de clusterzação automátca, o número de combnações possíves é dado pela equação: N n k 1 n, (5) k! k ( n k) = ( 1) ( )( k ) k= 1 = 0 Assm, aumenta sgnfcatvamente o número de combnações possíves. Para clusterzação de um conjunto com apenas 10 elementos, em um número de clusters varável de 1 a 10, exstem maneras dferentes MÉTODOS DE PARTICIONAMENTO A fm de reduzr a complexdade na solução do problema, utlzam-se métodos heurístcos capazes de fornecer soluções sub-ótmas em tempo satsfatóro. Na lteratura são encontrados dversos desses métodos [4], a escolha dentre eles dependerá do propósto de cada aplcação partcular e do tpo de dados dsponíves. Bascamente, esses métodos podem ser classfcados em herárqucos e de partconamento [1]. Os Métodos de Partção Baseados em Recolocação tem por objetvo partconar um conjunto de dados com n elementos em k grupos dstntos de forma a mnmzar um crtéro escolhdo. Estes métodos tentam descobrr novos clusters realocando nteratvamente pontos entre os subconjuntos de forma a melhorar os clusters gradualmente, o que não ocorre nos métodos herárqucos. Freqüentemente, os métodos de partconamento encontram clusters com qualdade superor (maor smlardade nterna) aos dos encontrados pelos métodos herárqucos [5]. Devdo a este melhor desempenho, os algortmos de partconamento normalmente são mas empregados. Dentre eles, os que são baseados em um ponto central (k-means) [6] ou os que são baseados em um objeto representatvo para o cluster (k-medods) [7]. A qualdade do resultado obtdo com os métodos de partconamento depende da seleção coerente das seguntes varáves: seleção do algortmo de agrupamento e dos atrbutos relevantes, escolha do número de grupos e meddas de smlardade, defnção dos crtéros de agrupamento e homogenezação das varáves MEDIDAS DE SIMILARIDADE O objetvo da clusterzação é agrupar os elementos de um conjunto tomando por base o seu grau de smlardade. Para medr o quanto um elemento é smlar a outro, a fm de determnar se deve pertencer ou não a um mesmo cluster, são utlzadas meddas de smlardade. O crtéro de smlardade mas comum quando se utlzam atrbutos numércos basea-se nas funções de dstânca. Para empregar estas funções é precso representar cada elemento como um vetor no espaço n dmensonal das característcas. Neste caso, quanto menor for à dstânca entre um par de elementos, maor é a smlardade entre eles. Espera-se que à dstânca entre objetos de um mesmo agrupamento seja sgnfcatvamente menor do que à dstânca entre objetos de 3
4 agrupamentos dferentes. Dentre as meddas de dstânca mas utlzadas encontram-se a dstânca cty-block (para r = 1) e a dstânca eucldana (para r = 2 ), conforme a equação: d 1 n r r ( X, X j ) = xl x jl l= MÉTODO K-MEANS K-means é um método amplamente dfunddo, exstndo mutas varações propostas na lteratura e dversos nomes (K-médas, sodata, ou mgração de médas). K-means é um método de partção baseado em recolocação que necessta da defnção a pror do número de agrupamentos k. O crtéro de custo a ser mnmzado é defndo em função da dstânca dos elementos em relação aos centros dos agrupamentos. Usualmente, este crtéro é a soma resdual dos quadrados das dstâncas (geralmente é usada a dstânca eucldana). Entende-se por soma resdual dos quadrados, a soma dos quadrados das dstâncas dos elementos ao centróde do seu cluster, conforme a equação: W = Onde k n t ( xj X )( xj X ) = 1 j= 1 xj é o j-ésmo objeto do cluster, (6) (7) X é o representante do cluster (a méda ou medana dos objetos do cluster), e n é a quantdade de objetos do cluster. O elemento representatvo de um cluster é o seu centróde, que possu um valor médo para os atrbutos consderados, relatvos a todos os elementos do cluster. A utlzação do centróde como elemento representatvo de um cluster é convenente apenas para atrbutos numércos e possu um sgnfcado geométrco e estatístco claro, podendo, entretanto, receber mas nfluênca de um únco elemento que se encontre próxmo à frontera do cluster. A partr de uma estmatva ncal das coordenadas dos centros dos agrupamentos (centródes), o algortmo calcula a dstânca de cada ponto do conjunto a estes centródes. A segur, o algortmo aloca cada elemento do conjunto em um grupo, de acordo com a menor dstânca ao centróde correspondente. A nova estmatva das coordenadas dos centródes é calculada pela méda artmétca das coordenadas dos pontos assocados a cada grupo (fgura 2). O método K-means é sensível ao partconamento ncal realzado, em vrtude da escolha das coordenadas dos k centródes dos clusters ser feta ncalmente de forma aleatóra. A partr deste prmero partconamento, o algortmo realza uma busca de um ponto de máxmo para o seu crtéro de parada. Não há garantas de que o algortmo encontre o máxmo global, sendo possível encontrar soluções dstntas em dferentes execuções do algortmo. O K-means é um tpo de algortmo normalmente utlzado para a classfcação nãosupersonada. Este algortmo é consttuído dos seguntes passos báscos: (1) Determnar as posções ncas dos k centródes dos clusters; (2) Alocar cada elemento ao cluster do centróde mas próxmo; (3) Recalcular os centros dos clusters a partr dos elementos alocados; 4
5 (4) Repetr os passos de 2 a 4 segundo algum crtéro de convergênca Como crtéro de convergênca pode se executar o algortmo até que os centródes não se movam mas ou até que um determnado número máxmo de nterações seja alcançado.. FIGURA 2 - Aplcação do método K-Means 3. METODOLOGIA Exstem algumas técncas para clusterzação automátca baseada em junções ou dvsões sucessvas (métodos herárqucos), noções de densdade, varação do nível de quantzação do espaço, modelos matemátcos e estatístcos. Apesar destas técncas obterem bons resultados, em geral apresentam elevado custo computaconal [8]. Um crtéro para determnar a qualdade da clusterzação é apresentado em [9] e estabelece a segunte função de k : ( ) G k ( n k ) B = ( k 1)W Onde k é o número de clusters usados para a segmentação, n o número de objetos da base de dados, W conforme a equação (5), e B é a varação não explcada do somatóro dos quadrados das dferenças de toda a base de dados para a méda a partr do somatóro dos quadrados das dferenças de cada objeto de cada cluster para o centróde do seu cluster, dado pela equação: (8) 5
6 k ( X X )( X X ) t B = T W = n =1 (9) T é a soma dos quadrados das dferenças de cada objeto da base de dados para a méda de todos os objetos da base ( X ), conforme a equação: T = k n t ( xj X )( xj X ) = j= 1 1 (10) O valor de G(k) representa a estatístca da análse da varânca do agrupamento formado. Quanto maor o seu valor, mas homogêneos serão os objetos dentro de cada grupo e melhor será a partção. Para determnação automátca do número deal de agrupamentos fo desenvolvdo um sstema, baseado no algortmo K-Means, que executa o partconamento de uma base de dados para cada um dos possíves valores de k ( 1 π k π n ) maxmzando a equação (8). Como o algortmo K-Means possu o nconvenente de ter sua solução nfluencada pela escolha da confguração ncal (eleção arbtrára dos k objetos como centros ncas dos clusters), optou-se por ncalzar os centródes de forma a dspersá-los unformemente sobre o espaço de representação. Esta estratéga tende a fornecer melhores resultados, além de contrbur para a aceleração da convergênca. Para redução da dmensonaldade dos dados é necessáro realzar a seleção dos atrbutos mas relevantes, ou seja, que mas contrbuam para separabldade das classes, dentro do conjunto de atrbutos dsponíves. Bascamente, este deve ser um processo de múltplas terações, consstndo dos seguntes passos: (1) Seleconar um subconjunto de atrbutos (atrbutos canddatos) de acordo com algum crtéro; (2) Aplcar o algortmo sobre a base de dados com este subconjunto de atrbutos; (3) Medr a qualdade da seleção, conforme equação (8); (4) Repetr os passos 1 a 3 até que se encontre um resultado satsfatóro. 4. EXPERIMENTOS Para realzação dos testes, fo seleconada a popular base de dados Irs Plants Database, a fm de testar todas as possíves combnações de seus atrbutos. Esta base pode ser obtda no repostóro de bases de dados para descoberta de conhecmento da Unversdade da Calfórna, Irvne (UCI MachneLearnng Repostory) [10]. A base Írs consste de 3 classes: Írs-Setosa, Írs-Vrgnca e Írs-Verscolor, cada uma possundo 50 nstâncas, com dstrbução de 33.3% para cada uma das 3 classes. A classe Írs-Setosa é lnearmente separável das outras duas; Já as classes Írs-Vrgnca e Írs- Verscolor não são lnearmente separáves. Cada nstânca possu cnco atrbutos, sendo quatro do tpo numérco (comprmento da sépala em cm, largura da sépala em cm, comprmento da pétala em cm, largura da pétala em cm) e um do tpo categórco (classe: Írs- Setosa, Írs-Verscolor, Írs-Vrgnca). O atrbuto do tpo categórco não partcpa do processo de clusterzação, entretanto defne a qual classe a nstânca pertence. Para execução dos testes fo utlzado um PC com a segunte confguração: Processador Intel Pentum 4, CPU 2.40 GHz, Memóra DRAM 511 MB, Dsco rígdo de 80 GB, Sstema Operaconal Mcrosoft Wndows XP Professonal. 6
7 Os expermentos foram dvddos em três etapas. A prmera consstu da clusterzação da base de dados consderando todos os quatro atrbutos. A segunda, consderando três atrbutos e a tercera, consderando apenas dos atrbutos PRIMEIRA ETAPA: UTILIZAÇÃO DE TODOS OS ATRIBUTOS A fgura 3 apresenta a clusterzação da base Írs consderando todas as suas 150 nstâncas, cada uma com seus quatro atrbutos. Para este caso de teste, o valor de k varou entre 2 e 150. O tempo médo para realzação desta clusterzação fo de 14, 2 segundos. FIGURA 3 Clusterzação com k varando entre 2 e 150 A fgura 4 apresenta a mesma clusterzação com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,94 segundos. É possível constatar que o número de clusters encontrado corresponde ao número de classes exstentes na base, ou seja, gual a três. FIGURA 3 Clusterzação com k varando entre 2 e 10 A tabela 1 apresenta os resultados obtdos através da abrangênca - equação (9), acuráca - equação (10), bem como da matrz de classfcação, consderando a manutenção dos quatro atrbutos das nstâncas. A matrz de classfcação ndca o número de amostras classfcadas em cada classe. A stuação deal é estar toda a amostragem de uma classe na dagonal prncpal. Valores fora da dagonal prncpal ndcam erro de classfcação. Número de Amostras da Classe no Cluster Abrangênc a = (9) Número Total de Amostras da Classe 7
8 Número de Amostras da Classe no Cluster Acuráca = (10) Número Total de Amostras do Cluster TABELA 1 - Caso de teste: todos os quatro atrbutos Da análse da tabela 1 verfca-se que a classe Írs-Setosa é lnermente separável, enquanto que as classes Írs-Vescolor e Írs-Vergnca não SEGUNDA ETAPA: REMOÇÃO DE UM ATRIBUTO A segunda etapa de testes consstu na remoção de um dos atrbutos. Foram realzados quatro testes, um para cada atrbuto removdo, dos quatro possíves Remoção do atrbuto comprmento da sépala A tabela 2 apresenta os resultados obtdos com a remoção do atrbuto comprmento da sépala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,78 segundos. TABELA 2 - Remoção do atrbuto comprmento da sépala Pode-se verfcar na tabela 1 e na tabela 2 que a abrangênca da classe Írs-Vescolor se manteve constante em 94% e acuráca melhorou de 77,05% para 92,16%, enquanto na classe Írs-Vrgnca a abrangênca melhorou de 72% para 92% e a acuráca de 92,31% para 93,88%. O que ndca que o conjunto de atrbutos (largura da sépala, comprmento da pétala e largura da pétala) é relevante para separabldade das classes permtndo obter um resultado melhor do que com quatro atrbutos Remoção do atrbuto largura da sépala A tabela 3 apresenta os resultados obtdos com a remoção do atrbuto largura da 8
9 sépala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,94 segundos. TABELA 3 - Remoção do atrbuto largura da sépala Pode-se verfcar na tabela 1 e na tabela 3 que a abrangênca classe Írs-Vescolor melhorou de 94% para 96% e acuráca de 77,05% para 80%, enquanto na classe Írs- Vrgnca a abrangênca melhorou de 72% para 76% e a acuráca de 92,31% para 95%. O que ndca que o conjunto de atrbutos (comprmento da sépala, comprmento da pétala e largura da pétala) é relevante para separabldade das classes permtndo encontrar um resultado melhor do que com quatro atrbutos Remoção do atrbuto comprmento da pétala A tabela 4 apresenta os resultados obtdos com a remoção do atrbuto comprmento da pétala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,94 segundos. TABELA 4 - Remoção do atrbuto comprmento da pétala Pode-se verfcar na tabela 1 e na tabela 4 que a abrangênca classe Írs-Vescolor porou de 94% para 78% e acuráca de 77,05% para 72,22%, enquanto na classe Írs- Vrgnca a abrangênca porou de 72% para 70% e a acuráca de 92,31% para 76,09%. O que ndca que o conjunto de atrbutos (comprmento da sépala, largura da sépala e largura da pétala) não é relevante para separabldade das classes Remoção do atrbuto largura da pétala A tabela 5 apresenta os resultados obtdos com a remoção do atrbuto largura da pétala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,79 segundos. TABELA 5 - Remoção do atrbuto largura da pétala 9
10 Pode-se verfcar na tabela 1 e na tabela 5 que a abrangênca classe Írs-Vescolor porou de 94% para 90% e acuráca melhorou de 77,05% para 77,59%, enquanto na classe Írs-Vrgnca a abrangênca melhorou de 72% para 74% e a acuráca porou de 92,31% para 88,10%. O que ndca que o conjunto de atrbutos (comprmento da sépala, largura da sépala e comprmento da pétala) não é relevante para separabldade das classes TERCEIRA ETAPA: REMOÇÃO DE DOIS ATRIBUTOS A tercera etapa de testes consstu na remoção de dos dos atrbutos. Foram realzados ses testes, correspondendo aos arranjos sem repetção possíves Remoção dos atrbutos comprmento e largura da pétala A tabela 6 apresenta os resultados obtdos com a remoção dos atrbutos comprmento da pétala e largura da pétala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,78 segundos. TABELA 6 - Remoção dos atrbutos comprmento e largura da pétala Pode-se verfcar na tabela 6 que apenas dos clusters foram formados. Um cluster teve abrangênca de 100% da classe Írs-Setosa e o outro cluster teve abrangênca de 94% da classe Írs-Vrgnca. As amostras da classe Írs-Vescolor fcaram dstrbuídas entre estes dos clusters nas proporções de 42% e 58%, respectvamente. O que ndca que o conjunto de atrbutos (comprmento da sépala e largura da sépala) não é relevante para separabldade das classes Remoção dos atrbutos largura da sépala e comprmento da pétala A tabela 7 apresenta os resultados obtdos com a remoção dos atrbutos largura da sépala e comprmento da pétala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,78 segundos. TABELA 7 - Remoção dos atrbutos largura da sépala e comprmento da pétala 10
11 Pode-se verfcar na tabela 1 e na tabela 7 que a abrangênca classe Írs-Vescolor porou de 94% para 76% e acuráca porou de 77,05% para 74,51%, enquanto na classe Írs- Vrgnca a abrangênca melhorou de 72% para 74% e a acuráca porou de 92,31% para 80,43%. O que ndca que o conjunto de atrbutos (comprmento da sépala e largura da pétala) não possu relevânca para separabldade das classes Remoção dos atrbutos comprmento da sépala e da pétala A tabela 8 apresenta os resultados obtdos com a remoção dos atrbutos comprmento da sépala e comprmento da pétala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,62 segundos. TABELA 8 - Remoção dos atrbutos comprmento da sépala e da pétala Pode-se verfcar na tabela 1 e na tabela 8 que a abrangênca da classe Írs-Setosa porou de 100% para 98%, a abrangênca classe Írs-Vescolor porou de 94% para 92% e acuráca melhorou de 77,05% para 86,79%, enquanto na classe Írs-Vrgnca a abrangênca melhorou de 72% para 88% e a acuráca porou de 92,31% para 91,67%. O que ndca que o conjunto de atrbutos (largura da sépala e largura da pétala) possu relevânca para separabldade das classes permtndo obter um resultado satsfatóro com apenas dos atrbutos Remoção dos atrbutos largura da sépala e da pétala A tabela 9 apresenta os resultados obtdos com a remoção dos atrbutos largura da sépala e largura da pétala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,62 segundos. TABELA 9 - Remoção dos atrbutos largura da sépala e da pétala 11
12 Pode-se verfcar na tabela 9 que quatro clusters foram formados. O prmero cluster teve abrangênca de 100% da classe Írs-Setosa com acuráca de 100%, o segundo cluster teve abrangênca de 54% da classe Írs-vescolor com acuráca de 96,43%, o tercero cluster teve abrangênca de 44% classe Írs-Vrgnca com acuráca de 100%. As demas amostras das classes Írs-Vescolor e Írs-Vrgnca fcaram dstrbuídas no quarto cluster nas proporções de 46% e 54%, respectvamente. O que ndca que o conjunto de atrbutos (comprmento da sépala e comprmento da sépala) possu relatva relevânca para separabldade das classes Remoção dos atrbutos comprmento e largura da sépala A tabela 10 apresenta os resultados obtdos com a remoção dos atrbutos comprmento da sépala e largura da sépala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,47 segundos. TABELA 10 - Remoção dos atrbutos comprmento e largura da sépala Pode-se verfcar na tabela 10 que cnco clusters foram formados. O prmero cluster teve abrangênca de 100% da classe Írs-Setosa com acuráca de 100%, o segundo cluster 12
13 teve abrangênca de 56% da classe Írs-Vescolor com acuráca de 96,55%, o tercero cluster teve abrangênca de 34% da classe Írs-Vescolor com acuráca de 100%. O segundo e o tercero clusters juntos cobrem 90% das amostras da classe Írs-Vescolor com 90% de acuráca. O quarto cluster teve abrangênca de 52% classe Írs-Vrgnca com acuráca de 83,87%, o qunto cluster teve abrangênca de 46% classe Írs-Vrgnca com acuráca de 100%. O quarto e o qunto clusters juntos cobrem 98% da classe Írs-Vrgnca com 98% de acuráca. O que ndca que o conjunto de atrbutos (comprmento da pétala e largura da sépala) possu relevânca relatva para separabldade das classes Remoção dos atrbutos comprmento da sépala e largura da pétala A tabela 11 apresenta os resultados obtdos com a remoção dos atrbutos comprmento da sépala e largura da pétala. A clusterzação fo realzada com o valor de k varando entre 2 e 10. O tempo médo para realzação desta clusterzação fo de 0,62 segundos. TABELA 11 - Remoção dos atrbutos comprmento da sépala e largura da pétala Pode-se verfcar na tabela 11 que quatro clusters foram formados. O prmero cluster teve abrangênca de 100% da classe Írs-Setosa com acuráca de 100%, o segundo cluster teve abrangênca de 48% da classe Írs-vescolor com acuráca de 100%, o tercero cluster teve abrangênca de 62% classe Írs-Vrgnca com acuráca de 100%. As demas amostras das classes Írs-Vescolor e Írs-Vrgnca fcaram dstrbuídas no quarto cluster nas proporções de 52% e 38%, respectvamente. O que ndca que o conjunto de atrbutos (comprmento da sépala e comprmento da sépala) possu relevânca relatva para separabldade das classes. 5. CONCLUSÃO A determnação automátca do número deal de clusters de uma base, bem como a redução da dmensonaldade dos dados através da seleção dos atrbutos mas relevantes para separabldade das classes são duas funções de grande utldade para análse do comportamento dos dados. Este trabalho combnou as seguntes estratégas para solução do problema de clusterzação automátca: mplementação do método K-Means, ncalzação dos centródes com dspersão unforme sobre o espaço de representação e maxmzação do valor da função G(k). A fm de avalar os resultados, realzou-se a clusterzação da base de dados Írs Plants Database utlzando-se um processo manual de múltplas terações para seleção de um 13
14 conjunto de atrbutos canddatos relevantes. Para o conjunto de três atrbutos, os melhores resultados foram, em ordem de prordade: {largura da sépala, comprmento da pétala e largura da pétala} (seção ), segudo do conjunto {comprmento da sépala, comprmento da pétala e largura da pétala} (seção 4.2.2). Os resultados dos testes comprovaram ser possível melhorar o desempenho da clusterzação com a redução de um atrbuto. Para o conjunto de dos atrbutos, os melhores resultados foram, em ordem de prordade: {largura da sépala e largura da pétala} (seção ), segudo do conjunto {comprmento da pétala e largura da sépala} (seção ). Os resultados revelaram que é possível encontrar resultados satsfatóros mesmo com apenas dos atrbutos. Os dferentes arranjos possíves de 4 atrbutos resultaram em 10 casos de testes. Para cnco atrbutos são necessáros 25 casos de testes. Devdo a sua natureza combnatoral, a solução proposta para bases com grande número de atrbutos torna-se um problema NP- Dfcl ou ntratável computaconalmente. Em trabalhos futuros utlzar-se-á uma estratéga metaheurístca híbrda. 6. REFERÊNCIAS BIBLIOGRÁFICAS [1] FASULO, D. An analyss of recent work on clusterng algorthms. Techncal report, , Seattle: Unversty Of Washngton - Department Of Computer Scence And Engneerng, p. [2] DOVAL, D.; MANCORIDIS, S.; MITCHELL, B.S. Automatc Clusterng of Software Systems Usng a Genetc Algorthm. step, p. 73, Software Technology and Engneerng Practce, [3] OCHI, L.S. Problemas de Clusterzação em Mneração de Dados. In: Encontro Regonal de Informátca RJ/ES, 2004, Vtóra. Anas do ERI 2004 RJ/ES, Vtóra: ERI, p.1-6. CD-ROM. [4] BERKHIN, P. Survey of Clusterng Data Mnng Technques. Techncal report, Accrue Software, San Jose, Calforna, [5] NG, R.T.; HAN, J. Effcent and Effectve Clusterng Methods for Spatal Data Mnng, In: Internatonal Conference on Very Large Data Base, 20, 1994, Santago. Proceedngs of DBLP. Santago: Morgan Kaufmann,1994. p [6] ZHANG, B.; HSU, M.; DAYAL,U. K-harmonc Means - A Spatal Clusterng Algorthm wth Bosstng. In: Internatonal Workshop on Temporal, Spatal and Spato- Temporal Data Mnng, 1, Berln. Lecture Notes n Artfcal Intellgence. London: Sprnger-Verlag, Eds. J. F. Roddck & K. Hornsby, v. 2007, p [7] KAUFMAN, L.; ROUSSEEUW, P.J. Fndng Groups n Data: an Introducton to Cluster Analyss. Wley Seres n Probablty and Mathematcal Statstcs. Appled Probablty and Statstcs, New York: Wley, [8] HAN, J.; KAMBER, M. Data Mnng Concepts and Technques. San Francsco: Morgan Kaufmann, p. [9] CALINSKI, T.; HARABASZ, J. A dendrte method for cluster analyss. Communcatons n Statstcs - Theory and Methods, v. 3, (1), p. 1-27, [10] ASUNCION, A.; NEWMAN, D.J. (2007). UCI Machne Learnng Repostory [ Irvne, CA: Unversty of Calforna, Department of Informaton and Computer Scence. 14
Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisPREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH
PREVISÃO DO ÍNDICE MERVAL: UMA APLICAÇÃO DE REDES NEURIAS POLINOMIAIS GMDH CAPORAL, Bbana 1 ; CAVALHEIRO, Everton ; CORRÊA, José Carlos 3 ; CUNHA, Carlos 4 Palavras-chave: Econometra; Séres temporas; Co-ntegração;
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisUM NOVO ALGORITMO GENÉTICO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE
Unversdade Estadual de Campnas Insttuto de Matemátca, Estatístca e Computação Centífca Departamento de Matemátca Aplcada DISSERTAÇÃO DE MESTRADO UM NOVO ALGORITMO GENÉTICO PARA A OTIMIZAÇÃO DE CARTEIRAS
Leia maisANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO
ANÁLISE DE CONFIABILIDADE DO MODELO SCS-CN EM DIFERENTES ESCALAS ESPACIAIS NO SEMIÁRIDO J. W. B. Lopes 1 ; E. A. R. Pnhero 2 ; J. R. de Araújo Neto 3 ; J. C. N. dos Santos 4 RESUMO: Esse estudo fo conduzdo
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisO Método de Redes Neurais com Função de Ativação de Base Radial para Classificação em Data Mining
O Método de Redes Neuras com Função de Atvação de Base Radal para Classfcação em Data Mnng Ana Paula Scott 1, Mersandra Côrtes de Matos 2, Prscyla Walesa T. A. Smões 2 1 Acadêmco do Curso de Cênca da Computação
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia mais3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas
PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas
Leia maisClusterização ou Agrupamento de Dados
Resumo da Aula Clusterzação ou Agrupamento de Dados Stanley R. M. Olvera Clusterzação ou análse de agrupamentos: Concetos báscos e aplcações. Tpos de dados em clusterzação. Avalando a qualdade de clusters
Leia maisTRABALHADORES COM DEFICIÊNCIAS EM LINHAS DE PRODUÇÃO: MODELOS, RESULTADOS E DISCUSSÕES 1
XIV ELAVIO El Fuerte Snaloa Méxco 9-14 de agosto de 2009 TRABALHADORES COM DEFICIÊNCIAS EM LINHAS DE PRODUÇÃO: MODELOS RESULTADOS E DISCUSSÕES 1 Mayron César de O. Morera Lana Mara R. Santos Alysson M.
Leia maisANÁLISE MATRICIAL DE ESTRUTURAS DE BARRAS PELO MÉTODO DE RIGIDEZ
ANÁISE MATRICIA DE ESTRUTURAS DE BARRAS PEO MÉTODO DE RIGIDEZ A análse matrcal de estruturas pelo método de rgdez compreende o estudo de cnco modelos estruturas báscos: trelça plana, trelça espacal, pórtco
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
Físca Arqutectura Pasagístca Análse de erros ANÁLISE DE ERROS A ervação de u fenóeno físco não é copleta se não puderos quantfcá-lo Para é sso é necessáro edr ua propredade físca O processo de edda consste
Leia maisCORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK
CORRELAÇÃO DO EQUILÍBRIO DE FASES DO SISTEMA MULTICOMPONENTE ÉSTERES ETÍLICOS DO ÓLEO DE MURUMURU/DIÓXIDO DE CARBONO COM A EQUAÇÃO SRK Welsson de Araújo SILVA PRODERNA/ITEC/UFPA waslva89@hotmal.com Fernando
Leia maisSOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEPENDENTE DA TEMPERATURA E GERAÇÃO DE CALOR
SOLUÇÕES DA EQUAÇÃO DA CONDUÇÃO DO CALOR BIDIMENSIONAL COM CONDUTIVIDADE TÉRMICA DEENDENTE DA TEMERATURA E GERAÇÃO DE CALOR E. T. CABRAL,. A. ONTES, H. K. MIYAGAWA, E. N. MACÊDO 3 e J. N. N. QUARESMA 3
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisCURRICULUM VITAE - RESUMIDO
A estatístca tem uma partculardade: pesqusamos para dzer algo sgnfcatvo sobre o unverso que elegemos, porém a pesqusa só será sgnfcatva se conhecermos sufcentemente o unverso para escolhermos adequadamente
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisSEQÜENCIAMENTO DE TAREFAS COM MÁQUINAS PARALELAS, PERMITINDO ATRASOS E COM TEMPOS DE PREPARAÇÃO DE MÁQUINA DEPENDENTES DA SEQÜÊNCIA.
A pesqusa Operaconal e os Recursos Renováves a 7 de novembro de, Natal-RN SEQÜENCIAMENTO DE TAREFAS COM MÁQUINAS PARALELAS, PERMITINDO ATRASOS E COM TEMPOS DE PREPARAÇÃO DE MÁQUINA DEPENDENTES DA SEQÜÊNCIA.
Leia mais1. Introdução 2. Misturas Gaussianas
Ajuste de Msturas Gaussanas utlzando Algortmo de Maxmzação da Esperança e Crtéro de Comprmento de Descrção Mínmo para Modelagem de Tráfego VoIP Chela Mendes de Olvera Escola de Engenhara Elétrca e de Computação
Leia maisSistemas de equações lineares
Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisMODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE
MODELAGEM MATEMÁTICA DO PROCESSO DE EVAPORAÇÃO MULTI-EFEITO NA INDÚSTRIA DE PAPEL E CELULOSE R. L. S. CANEVESI 1, C. L. DIEL 2, K. A. SANTOS 1, C. E. BORBA 1, F. PALÚ 1, E. A. DA SILVA 1 1 Unversdade Estadual
Leia maisde Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR
APLICAÇÃO DE SISTEMAS FUZZY EM MOTORES DE INDUÇÃO PARA IDENTIFICAÇÃO DE TORQUE DE CARGA SÉRGIO F. DA SILVA *, IVAN N. SILVA *, ALESSANDRO GOEDTEL #, CRISTIANO MINOTTI * * Laboratóro de Automação Intelgente
Leia maisAGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2.
AGRUPAMENTO DE CLIENTES COM BASE NA FICHA DE ANAMNESE ODONTOLÓGICA: UMA APLICAÇÃO DA ART2. andrey soares Unversdade Federal de Santa Catarna UFSC Campus Unverstáro Trndade Floranópols, SC 88040-900 andrey@nf.ufsc.br
Leia maisDETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES
DETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES THOMAZ. M. ALMEIDA 1, DANIEL F. COLAÇO, TARIQUE. S. CAVALCANTE, VICTOR H.
Leia maisINFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS NA REMOÇÃO DE ETANOL DE VINHO DELEVEDURADO POR CO 2
INFLUÊNCIA DAS VARIÁVEIS OPERACIONAIS NA REMOÇÃO DE ANOL DE VINHO DELEVEDURADO POR CO 2 C. R. SILVA 1, M. N. ESPERANÇA 1, A. J. G. CRUZ 1 e A. C. BADINO 1 1 Unversdade Federal de São Carlos, Departamento
Leia maisUMA ABORDAGEM NEURO-IMUNE PARA A SOLUÇÃO DO PROBLEMA DE MÚLTIPLOS CAIXEIROS VIAJANTES
UMA ABORDAGEM NEURO-IMUNE PARA A SOLUÇÃO DO PROBLEMA DE MÚLTIPLOS CAIXEIROS VIAANTES THIAGO A. S. MASUTTI, LEANDRO N. DE CASTRO Laboratóro de Sstemas Intelgentes, Programa de Mestrado em Informátca Unversdade
Leia maisANÁLISE EXPLORATÓRIA DE DADOS
CENTRO DE CIÊNCIAS EXATAS CCE DEPARTAMENTO DE ESTATÍSTICA Curso de Especalzação Lato Sensu em Estatístca ANÁLISE EXPLORATÓRIA DE DADOS Professor: Dr. Waldr Medr medr@uel.br Londrna/Pr Março de 011 ÍNDICE
Leia maisAVALIAÇÃO SIMPLIFICADA DOS CONSUMOS DE ENERGIA ASSOCIADOS À VENTILAÇÃO
AVALIAÇÃO SIMPLIFICADA DOS CONSUMOS DE ENERGIA ASSOCIADOS À VENTILAÇÃO Celestno Rodrgues Ruvo Área Departamental de Engenhara Mecânca, Escola Superor de Tecnologa da Unversdade do Algarve, 8000 Faro, Portugal
Leia mais3.1. Conceitos de força e massa
CAPÍTULO 3 Les de Newton 3.1. Concetos de força e massa Uma força representa a acção de um corpo sobre outro,.e. a nteracção físca entre dos corpos. Como grandeza vectoral que é, só fca caracterzada pelo
Leia maisISEP - ÍNDICE DE SHARPE ESCOLAR A PARTIR DA PROVA BRASIL: CRIAÇÃO E ESTUDO
ISEP - ÍNDICE DE SHARPE ESCOLAR A PARTIR DA PROVA BRASIL: CRIAÇÃO E ESTUDO Roberta Montello Amaral (UNIFESO) amaralroberta@yahoo.com.br Crado em 1990, o Saeb é um sstema de avalação do MEC que, junto à
Leia maisCréditos. SCC5895 Análise de Agrupamento de Dados. Aula de Hoje. Algoritmos Hierárquicos: Parte II. Relembrando Agrupamento Hierárquico...
SCC89 Análse de Agrupamento de Dados Algortmos Herárqucos: Parte II Prof Rcardo J G B Campello Crédtos Parte do materal a segur consste de adaptações e extensões dos orgnas: gentlmente ceddos pelo Prof
Leia maisESTRUTURA DA Sacoglottis guianensis BENTH. NA UNIVERSIDADE FEDERAL DO AMAPÁ
ESTRUTURA DA Sacoglotts guanenss BENTH. NA UNIVERSIDADE FEDERAL DO AMAPÁ Estgarrba, F. (1) ; Aparíco, W. C. S. (1) ; Perere, L. C. B. (1) ; Galvão, F. G. (1) ; Gama, R. C. (1) ; Lobato, C. M. (1) fabyestgarrba@gmal.com
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisMÉTODO DE RESSECÇÃO APLICADO NA DETERMINAÇÃO DE COORDENADAS NO MONITORAMENTO DE PONTOS
III Smóso raslero de êncas Geodéscas e Tecnologas da Geonformação Recfe - E, 7-30 de Julho de 010. 001-005 MÉTODO DE RESSEÇÃO LIDO N DETERMINÇÃO DE OORDENDS NO MONITORMENTO DE ONTOS FINI D.. MIRND LUÍS.
Leia maisROGÉRIO ALVES SANTANA. AVALIAÇÃO DE TÉCNICAS GEOESTATÍSTICAS NO INVENTÁRIO DE POVOAMENTOS DE Tectona grandis L.f.
ROGÉRIO ALVES SANTANA AVALIAÇÃO DE TÉCNICAS GEOESTATÍSTICAS NO INVENTÁRIO DE POVOAMENTOS DE Tectona grands L.f. Dssertação apresentada à Unversdade Federal de Vçosa, como parte das exgêncas do Programa
Leia maisSOM Hierárquico Aplicado à Compressão de Imagens
Proceedngs of the V Brazlan Conference on Neural Networks - V Congresso Braslero de Redes Neuras pp. 511 516, Aprl 2 5, 2001 - Ro de Janero - RJ - Brazl SOM Herárquco Aplcado à Compressão de Imagens José
Leia maisGENETIC FUZZY SISTEM PARA SELEÇÃO DE POÇOS DE PETRÓLEO PARA FRATURAMENTO HIDRÁULICO
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN GENETIC FUZZY SISTEM PARA SELEÇÃO DE POÇOS DE PETRÓLEO PARA FRATURAMENTO HIDRÁULICO Antôno Orestes de Salvo Castro Petrobras
Leia maisO Uso do Software Matlab Aplicado à Previsão de Índices da Bolsa de Valores: Um Estudo de Caso no Curso de Engenharia de Produção
O Uso do Software Matlab Aplcado à Prevsão de Índces da Bolsa de Valores: Um Estudo de Caso no Curso de Engenhara de Produção VICENTE, S. A. S. Unversdade Presbterana Mackenze Rua da Consolação, 930 prédo
Leia maisVariáveis dummy: especificações de modelos com parâmetros variáveis
Varáves dummy: especfcações de modelos com parâmetros varáves Fabríco Msso, Lucane Flores Jacob Curso de Cêncas Econômcas/Unversdade Estadual de Mato Grosso do Sul E-mal: fabrcomsso@gmal.com Departamento
Leia maisIX CONGRESSO BRASILEIRO DE ENGENHARIA E CIÊNCIAS TÉRMICAS. 9th BRAZILIAN CONGRESS OF THERMAL ENGINEERING AND SCIENCES
IX CONGRESSO BRASILEIRO DE ENGENHARIA E CIÊNCIAS TÉRMICAS 9th BRAZILIAN CONGRESS OF THERMAL ENGINEERING AND SCIENCES Paper CIT02-0026 METODOLOGIA PARA CORRELAÇÃO DE DADOS CINÉTICOS ENTRE AS TÉCNICAS DE
Leia maisUTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:
UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje
Leia maisPROBLEMAS SOBRE PONTOS Davi Máximo (UFC) e Samuel Feitosa (UFC)
PROBLEMS SOBRE PONTOS Dav Máxmo (UFC) e Samuel Fetosa (UFC) Nível vançado Dstrbur pontos num plano ou num espaço é uma tarefa que pode ser realzada de forma muto arbtrára Por sso, problemas sobre pontos
Leia maisCLUSTERING SEARCH APLICADO AO PROBLEMA DE ALOCAÇÃO DE BERÇOS
CLUSTERING SEARCH APLICADO AO PROBLEMA DE ALOCAÇÃO DE BERÇOS Rudne Martns de Olvera Insttuto Naconal de Pesqusas Espacas - INPE rudmart@gmal.com Geraldo Regs Maur Unversdade Federal do Espírto Santo -
Leia maisGeração de poses de faces utilizando Active Appearance Model Tupã Negreiros 1, Marcos R. P. Barretto 2, Jun Okamoto 3
Geração de poses de faces utlzando Actve Appearance Model Tupã Negreros 1, Marcos R. P. Barretto 2, Jun Okamoto 3 1, 2, 3 Escola Poltécnca da Unversdade de São Paulo (POLI/USP) Caxa Postal 61548 CEP 05508-900
Leia maisPLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS
PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,
Leia maisAVALIAÇÃO DO VALOR DE IMÓVEIS POR ANALISE DE REGRESSÃO: UM ESTUDO DE CASO PARA A CIDADE DE JUIZ DE FORA. Túlio Alves Matta
AVALIAÇÃO DO VALOR DE IMÓVEIS POR ANALISE DE REGRESSÃO: UM ESTUDO DE CASO PARA A CIDADE DE JUIZ DE FORA Túlo Alves Matta MONOGRAFIA SUBMETIDA À COORDENAÇÃO DE CURSO DE ENGENHARIA DE PRODUÇÃO DA UNIVERSIDADE
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisINTRODUÇÃO À ANÁLISE DE DADOS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO À AÁLISE DE DADOS AS MEDIDAS DE GRADEZAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...4
Leia mais2 ANÁLISE ESPACIAL DE EVENTOS
ANÁLISE ESPACIAL DE EVENTOS Glberto Câmara Marla Sá Carvalho.1 INTRODUÇÃO Neste capítulo serão estudados os fenômenos expressos através de ocorrêncas dentfcadas como pontos localzados no espaço, denomnados
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisDISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL
DISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL Dstrbuton of the wnd acton n the bracng elements consderng
Leia maisPalavras-chaves: Gráficos de controle, ambiente R, análise estatística multivariada
A ntegração de cadeas produtvas com a abordagem da manufatura sustentável. Ro de Janero, RJ, Brasl, 13 a 16 de outubro de 2008 O DESENVOLVIMENTO DE GRÁFICOS DE CONTROLE MCUSUM E MEWMA EM AMBIENTE R COMO
Leia maisDETERMINAÇÃO DE ALTITUGE ORTOMÉTRICA COM USO DA INTEGRAÇÃO DO GPS/NIVELAMENTO AO MAPGEO2010
90 DETERMINAÇÃO DE ALTITUGE ORTOMÉTRICA COM USO DA INTEGRAÇÃO DO GPS/NIVELAMENTO AO MAPGEO2010 José Mlton Arana 1, Danel Arana 2 1 Faculdade de Cêncas e Tecnologa FCT. Departamento de Cartografa UNESP
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisESTUDO DE REVESTIMENTOS ANTIADERENTES À RESINA EPÓXI
ESTUDO DE REVESTIMENTOS ANTIADERENTES À RESINA EPÓXI André M. Kehrwald 1, Gulherme M.O. Barra 1 *, Fabano G. Wolf 1, Celso P. Fernandes 1 1 Unversdade Federal de Santa Catarna UFSC Departamento de Engenhara
Leia maisDeterminantes. De nição de determinante de uma matriz quadrada. Determinantes - ALGA - 2004/05 15
Determnantes - ALGA - 004/05 15 Permutações Determnantes Seja n N Uma permutação p = (p 1 ; p ; : : : ; p n ) do conjunto f1; ; ; ng é um arranjo dos n números em alguma ordem, sem repetções ou omssões
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA. Francisco das Chagas de Souza
UNIVERSIDADE FEDERAL DE SANTA CATARINA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Francsco das Chagas de Souza ALGORITMOS ADAPTATIVOS LMS NORMALIZADOS PROPORCIONAIS: PROPOSTA DE UM NOVO ALGORITMO
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão.0 XXX.YY 22 a 25 Novembro de 2009 Recfe - PE GRUPO - IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP SISTEMA
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia maisProjeto Multicritério de Sistemas de Distribuição de Energia Elétrica sob Contextos Incertos Utilizando Algoritmos de Busca Local
1 Unversdade Federal de Mnas Geras Programa de Pós-Graduação em Engenhara Elétrca Centro de Pesqusa e Desenvolvmento em Engenhara Elétrca Projeto Multcrtéro de Sstemas de Dstrbução de Energa Elétrca sob
Leia maisCarlos Sérgio Araújo dos Santos José Antonio Aleixo da Silva Gauss Moutinho Cordeiro Joseilme Fernandes Gouveia Alisson de Oliveira Silva
Modelos Smétrcos Transformados não lneares com aplcação na estmatva volumétrca em Híbrdo de Eucalyptus teretcorns no Pólo Gessero do Ararpe - PE Carlos Sérgo Araújo dos Santos José Antono Alexo da Slva
Leia maisUMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC)
UMA REDE NEURAL ARTIFICIAL HÍBRIDA: MULTI-LAYER PERCEPTRON (MLP) E INTERAC- TIVE ACTIVATION AND COMPETITION (IAC) ANDRÉA T. R. BARBOSA, GLORIA M. CURILEM SALDÍAS, FERNANDO M. DE AZEVEDO Hosptal São Vcente
Leia maisUso dos gráficos de controle da regressão no processo de poluição em uma interseção sinalizada
XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasl, 1 a 4 de out de 003 Uso dos gráfcos de controle da regressão no processo de polução em uma nterseção snalzada Luz Delca Castllo Vllalobos
Leia maisCONGRESSO DE INICIAÇÃO CIENTÍFICA E PÓS-GRADUAÇÃO - I CICPG SUL BRASIL Florianópolis 2010
Floranópols 200 ANÁLISE COMPARATIVA DA INFLUÊNCIA DA NEBULOSIDADE E UMIDADE RELATIVA SOBRE A IRRADIAÇÃO SOLAR EM SUPERFÍCIE Eduardo Wede Luz * ; Nelson Jorge Schuch ; Fernando Ramos Martns 2 ; Marco Cecon
Leia maisALGORITMO E PROGRAMAÇÃO
ALGORITMO E PROGRAMAÇÃO 1 ALGORITMO É a descrção de um conjunto de ações que, obedecdas, resultam numa sucessão fnta de passos, atngndo um objetvo. 1.1 AÇÃO É um acontecmento que a partr de um estado ncal,
Leia maisAvaliação de imóveis: a importância dos vizinhos
Avalação de móves: a mportânca dos vznhos no caso de Recfe* Rubens Alves Dantas André Matos Magalhães José Ramundo de Olvera Vergolno Resumo Tradconalmente, na avalação de móves, admte-se que as observações
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisPOSICIONAMENTO DIFERENCIAL PÓS-PROCESSADO UTILIZANDO MULTIESTAÇÕES GPS
II Smpóso Braslero de Cêncas Geodéscas e Tecnologas da Geonformação Recfe - PE, 8- de setembro de 28 p. - POSICIONMENTO DIFERENCIL PÓS-PROCESSDO UTILIZNDO MULTIESTÇÕES GPS MURICIO IHLENFELDT SEJS CLÁUDI
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisAnálise Fatorial F 1 F 2
Análse Fatoral Análse Fatoral: A Análse Fatoral tem como prncpal objetvo descrever um conjunto de varáves orgnas através da cração de um número menor de varáves (fatores). Os fatores são varáves hpotétcas
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisMODELAGEM MATEMÁTICA DO PROBLEMA DE COLETA DE RESÍDUOS DE BIOMASSA DE MADEIRA PARA FINS ENERGÉTICOS
MODELAGEM MATEMÁTICA DO PROBLEMA DE COLETA DE RESÍDUOS DE BIOMASSA DE MADEIRA PARA FINS ENERGÉTICOS Flávo de Almeda Galvão Jr. Programa de Mestrado em Engenhara de Sstemas Logístcos Escola Poltécnca da
Leia maisPROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA
658 Gaudo & Zandonade Qum. Nova Qum. Nova, Vol. 4, No. 5, 658-671, 001. Dvulgação PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA Anderson Coser Gaudo
Leia maisAvaliação da Recuperação em Sistemas de RBC Estrutural e Textual: Uma Aplicação no Domínio de Help Desk
Avalação da Recuperação em Sstemas de RBC Estrutural e Textual: Uma Aplcação no Domíno de Help Desk Fábo Pessôa de Sá, Marta Costa Rosatell, Eduardo Raul Hruschka Programa de Mestrado em Informátca Unversdade
Leia maisRedução do Espaço de Busca de Redes de Distribuição Reconfiguráveis Utilizando Grafos
Redução do Espaço de Busca de Redes de Dstrbução Reconfguráves Utlzando Grafos Leroy U. Ramos *, Nraldo R. Ferrera *, Fernando A. Morera *, Hulman S. Sanca, e Benemar. A. de Souza *Departamento de Engenharía
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisProblemas Associados a Cones de Segunda Ordem
Problemas Assocados a Cones de Segunda Ordem Dense S. Trevsol, Mara A. D. Ehrhardt, Insttuto de Matemátca, Estatístca e Computação Centífca, IMECC, UNICAMP, 1383-859, Campnas, SP E-mal: ra8477@me.uncamp.br,
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisIV - Descrição e Apresentação dos Dados. Prof. Herondino
IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser
Leia maisDetecção de Microcalcificações de Bordas Lisas e Agrupamentos em Formação, para Auxílio ao Diagnóstico Médico de Câncer de Mama
Detecção de Mcrocalcfcações de Bordas Lsas e Agrupamentos em Formação, para Auxílo ao Dagnóstco Médco de Câncer de Mama Aledr Slvera Perera, Noran Marrangello,Crstane Sawada Yokota,Káta Harum Nkuma UNESP/IBILCE
Leia maisEXTRAÇÃO AUTOMÁTICA DE CONTORNOS DE TELHADOS USANDO DADOS DE VARREDURA A LASER E CAMPOS RANDÔMICOS DE MARKOV
EXTRAÇÃO AUTOMÁTICA DE CONTORNOS DE TELHADOS USANDO DADOS DE VARREDURA A LASER E CAMPOS RANDÔMICOS DE MARKOV Automatc Extracton of Buldng Roof Contours by Laser Scannng Data and Markov Random Feld Ednéa
Leia maisUniversidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S
Unversdade Federal da Baha Insttuto de Físca Departamento de Físca da Terra e do Meo Ambente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Físca I SALVADOR, BAHIA 013 1 Prefáco Esta apostla é destnada
Leia maisAvaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe
Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em
Leia maisGoal Programming como Ferramenta de Gestão
Resumo Goal Programmng como Ferramenta de Gestão Dmtr Pnhero SANTANNA Fláva Zóbol DALMÁCIO Lucene Laurett RANGEL Valcemro NOSSA O objetvo deste artgo é demonstrar como o gestor pode aplcar a técnca do
Leia maisMETROLOGIA E ENSAIOS
METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade
Leia maisEstimativa da fração da vegetação a partir de dados AVHRR/NOAA
Estmatva da fração da vegetação a partr de dados AVHRR/NOAA Fabane Regna Cunha Dantas 1, Céla Campos Braga, Soetâna Santos de Olvera 1, Tacana Lma Araújo 1 1 Doutoranda em Meteorologa pela Unversdade Federal
Leia mais