Inteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013

Tamanho: px

Começar a partir da página:

Download "Inteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013"

Amélia Laranjeira Palhares
6 Há anos
Visualizações:

1 Inteligência Artificial de prof. Dr. Rogério R. de Vargas Universidade Estadual de Santa Cruz - UESC Ilhéus-Ba, Outubro de slide 1

2 Introdução slide 2

3 Como agrupar? Introdução Como agrupar? Característica: Bico Característica: Habitat Característica: Classe Rótulo de Processo de de Dado um conjunto de objetos, colocar os objetos em grupos (clusters) baseados na similaridade entre eles; Como agrupar os seguinte animais? slide 3

4 Característica: Bico Introdução Como agrupar? Característica: Bico Característica: Habitat Característica: Classe Rótulo de Processo de de Dado um conjunto de objetos, colocar os objetos em grupos (clusters) baseados na similaridade entre eles; Como agrupar os seguinte animais? slide 4

5 Característica: Habitat Introdução Como agrupar? Característica: Bico Característica: Habitat Característica: Classe Rótulo de Processo de de Dado um conjunto de objetos, colocar os objetos em grupos (clusters) baseados na similaridade entre eles; Como agrupar os seguinte animais? slide 5

6 Característica: Classe Introdução Como agrupar? Característica: Bico Característica: Habitat Característica: Classe Rótulo de Processo de de Dado um conjunto de objetos, colocar os objetos em grupos (clusters) baseados na similaridade entre eles; Como agrupar os seguinte animais? slide 6

7 Rótulo Introdução Como agrupar? Característica: Bico Característica: Habitat Característica: Classe Rótulo de Processo de de A tarefa de agrupamento reúne em um mesmo grupo objetos de uma coleção que mantenham algum grau de afinidade. slide 7

8 de Introdução Como agrupar? Característica: Bico Característica: Habitat Característica: Classe Rótulo de Processo de de Aprendizado não-supervisionado; Dado um conjunto de objetos descritos por múltiplos valores (atributos): Atribuir grupos (clusters) aos objetos particionando-os objetivamente em grupos homogêneos de maneira a: Maximizar a similaridade de objetos dentro de um mesmo grupo; Minimizar a similaridade de objetos entre grupos distintos. Atribuir uma descrição para cada grupo formado. slide 8

9 Processo de de Introdução Como agrupar? Característica: Bico Característica: Habitat Característica: Classe Rótulo de Processo de de slide 9

10 Tipos de de slide 10

11 Representação dos Grupos Tipos de de Representação dos Grupos Tipos Particional Exemplo de Particional Hierárquico Exemplo de Hierárquico slide 11

12 Tipos Tipos de de Representação dos Grupos Tipos Particional Exemplo de Particional Hierárquico Exemplo de Hierárquico Particional; Hierárquico; Fuzzy. slide 12

13 Particional Tipos de de Representação dos Grupos Tipos Particional Exemplo de Particional Hierárquico Exemplo de Hierárquico Um algoritmo de agrupamento particional (hard) gera uma K-partição de X,C = C 1,C 2,...,C K (K N), tal que: C i (i = 1,...,K) C i = X C i (i,j = 1,...,K e i j) slide 13

14 Exemplo de Particional Tipos de de Representação dos Grupos Tipos Particional Exemplo de Particional Hierárquico Exemplo de Hierárquico slide 14

15 Hierárquico Tipos de de Representação dos Grupos Tipos Particional Exemplo de Particional Hierárquico Exemplo de Hierárquico Um algoritmo de agrupamento hierárquico gera uma estrutura aninhada (árvore) de X,H = H 1,H 2,...,H Q (K N), tal que: C i H m e H l (m > 1) implica que C i C j ou C i C j = (i,j,m,l = 1,...,Q e i j) slide 15

16 Exemplo de Hierárquico Tipos de de Representação dos Grupos Tipos Particional Exemplo de Particional Hierárquico Exemplo de Hierárquico slide 16

17 Funcionamento slide 17

18 Como funciona a análise de agrupamentos? Funcionamento Como funciona a análise de agrupamentos? Como funciona a análise de agrupamentos? O objetivo principal da análise de agrupamentos é definir a estrutura dos dados colocando observações (instâncias ou objetos) mais parecidas em grupos; Mas para conseguir isso, devemos abordar três questões básicas: Como medir a similaridade? Correlação, Distância, Medida de Associação, etc. Como formamos os grupos (clusters)? Não importa apenas medir a similaridade, deve haver um procedimento para agregar as observações mais similares em grupos; Quantos grupos formamos? Compromisso entre menos grupos e mais homogeneidade. slide 18

19 Como funciona a análise de agrupamentos? Funcionamento Como funciona a análise de agrupamentos? Como funciona a análise de agrupamentos? Suponha que um biólogo queira identificar subtipos de um determinado câncer(tumor) com base na expressão gênica do tecido extraído do tumor; Uma pequena amostra de sete pacientes é selecionada A expressão gênica de dois genes (V1 e V2) foi medida para o tumor de cada paciente. slide 19

20 Distância Euclidiana slide 20

21 Medida de Similariedade: Distância Euclidiana Distância Euclidiana Medida de Similariedade: Distância Euclidiana Exemplo da Distância Euclidiana Exemplo da Distância Euclidiana A equação da distância Euclidiana é mostrado na equação abaixo. de(x,y) = n X i Y i 2 (1) i=1 slide 21

22 Exemplo da Distância Euclidiana Distância Euclidiana Medida de Similariedade: Distância Euclidiana Exemplo da Distância Euclidiana Exemplo da Distância Euclidiana Montar no quadro uma tabela A-G (8x8). Vamos calcular! slide 22

23 Exemplo da Distância Euclidiana Distância Euclidiana Medida de Similariedade: Distância Euclidiana Exemplo da Distância Euclidiana Exemplo da Distância Euclidiana slide 23

24 Referências Bibliográficas slide 24

25 Referências Referências Bibliográficas Referências Souto, M.. Página pessoal, disponível em de VARGAS, R., BEDREGAL, B., COSTA NETO, M.: Clusterização de Coletados do Exame de Glicemia Usando o Algoritmo Fuzzy C-Means Intervalar. In: Proceedings of EPOCA 2009 (2 a Escola Potiguar de Computação e suas Aplicações), Natal, Brazil (2009). slide 25

Documentos relacionados

Prof. Daniela Barreiro Claro

Prof. Daniela Barreiro Claro O volume de dados está crescendo sem parar Gigabytes, Petabytes, etc. Dificuldade na descoberta do conhecimento Dados disponíveis x Análise dos Dados Dados disponíveis Analisar e compreender os dados 2