MÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
|
|
- Maria dos Santos Brezinski Mangueira
- 6 Há anos
- Visualizações:
Transcrição
1 MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel
2 INTRODUÇÃO Semana Conteúdo Introdução aos métodos multivariados 1 Análise de componentes principais 2 Aplicações de análise de componentes principais 3 Princípios de análise fatorial exploratória 4 Análise fatorial exploratória e aplicações 5 Métodos de visualização de dados e escalonamento multidimensional 6 Análise de agrupamentos: métodos hierárquicos 7 Análise de agrupamentos: métodos não-hierarquicos 8 Prova Análise de agrupamentos: método da mistura (baseados em densidade). 9 Métodos avançados de formação de agrupamentos. Introdução aos modelos de classificação Métodos de detecção de iterações 11 Classificadores lineares e análise discriminante paramétrica 12 Regressão Logística 13 FERIADO (11/6) Métodos de classificação baseados em programação matemática 14 Support Vector Machine Métodos de avaliação da performance de modelos de classificação 15 Mistura de especialistas 16 Prova
3 APRESENTAÇÃO Métodos de geração de agrupamentos: São métodos utilizados no agrupamento de observações (produtos, consumidores,...) maximizando a similaridade dentro do agrupamento e a dissimilaridade entre agrupamentos. Exemplos: O analista financeiro gostaria de segmentar as empresas analisadas de acordo com os fatores (que impactam na saúde financeira) identificados. O fabricante de bens de consumo, após mapear a estrutura de mercado e determinar os fatores que diferenciam os produtos, gostaria de segmentar os produtos ofertados. Análise de agrupamentos
4 GERAÇÃO DE AGRUPAMENTOS Objetivos: agrupar observações (linhas de uma base de dados, indivíduos em uma população,...) para descobrir estruturas nos dados. Os métodos de geração de agrupamentos são fundamentalmente uma coleção de métodos de exploração de dados, sendo utilizados para verificar se existem agrupamentos naturais. Os métodos de geração de agrupamentos podem ser divididos em: Iteration Aglomerativos Partitivos
5 Os métodos hierárquicos de geração de agrupamentos são enquadrados como aglomerativos e comumente utilizados para sumarizar estruturas em bases de dados. Os agrupamentos são gerados a partir de uma matriz de dissimilaridades. Os agrupamentos gerados são representados em uma estrutura, na forma de árvore, denominada dendograma que mostra como as observações foram aglomeradas. Os métodos hierárquicos mais utilizados são: Ligação simples (método do vizinho mais próximo) Ligação completa (método do vizinho mais distante) Ligação média Centróide Ward
6 MEDIDAS DE DISSIMILARIDADE Propriedades de uma medida de dissimilaridade: 1. d(x,y) 0 2. Simetria: d(x,y) = d(y,x) 3. Se d(x,y) 0 então x y 4. Se x = y, então d(x,y) = 0 Propriedades de uma medida de distância: 1. Todas as propriedades de uma medida de dissimilaridade 2. Desigualdade triangular: d(x,y) d(x,z) + d(y,z)
7 A medida de dissimilaridade mais utilizada em geração de agrupamentos é a distância Euclidiana. A distância Euclidiana entre dois vetores, x e w, é: D D x, w x, w ( x, w) = x w = ( x w ) = d = i= 1 (( x w) '( x w) ) 1/ 2 = ( x' x + w' w 2x' w) 1/ 2 d i i 2 Educação (anos) Renda: R$8.000,00 Educação: 15 anos Renda: R$3.000,00 Educação: 6 anos d ij = = = p k= 1 ( x ik x jk 2 ) 2 ( 8 3) + (15 6) =,296 2 Renda (R$ mil)
8 Ilustração dos métodos: 25 Educação (anos) d S S 6 = (30 25) + (19 20) = = 26 Matriz de dissimilaridades Renda (R$ mil) Observ Renda Educação S1 5 5 S2 6 6 S S S S S1 S2 S3 S4 S5 S6 S S S S S S
9 Método da ligação simples (vizinho mais próximo) : Cluster K D KL D KL = min i C K min j C L d ( x i, x j ) Cluster L CLUSTER Observ Renda Educação 1 S S S S S S Educação (anos) Renda (R$ mil) S1 S2 S3 S4 S5 S6 S S S S S S S1&S2 S3&S4 S5 S6 S1&S S3&S S S
10 Método da ligação simples (vizinho mais próximo) : S1&S2 S3&S4 S5 S6 S1&S S3&S S S S1&S2 S3&S4 S5&S6 S1&S S3&S S5&S S1&S2 S3&S4&S5&S6 S1&S S3&S4&S5&S Educação (anos) Distance 15, Renda (R$ mil) DENDOGRAMA,51 5,25 0, O bse rvations
11 NÚMERO IDEAL DE AGRUPAMENTOS: Há diversas abordagens para determinar o número ideal de agrupamentos: 1. Arbitrar o número (valor conhecido, razões práticas). 2. Escolher o número que resulte nos agrupamentos de mais fácil interpretação. 3. Distância entre os agrupamentos: MÉTODOS HIERÁRQUICOS Distance 15,76,51 5,25 0,00 DENDOGRAMA 145 1/2 6 1/ Observations Média = (2 1/ /2 ) / 5 = 6,05 Diferenças: 26 1/2-2 1/2 = 3,68 6 1/2-26 1/2 = 5,19 2 1/2 2 1/2 26 1/ /2-6 1/2 = 1,75
12 Método da ligação completa (vizinho mais distante) : D KL = max i C K max j C L d ( x i, x j ) Cluster K D KL 25 Cluster L 20 CLUSTER Observ Renda Educação 1 S S S S S S Educação (anos) Renda (R$ mil) S1 S2 S3 S4 S5 S6 S S S S S S S1&S2 S3&S4 S5 S6 S1&S S3&S S S
13 Método da ligação completa (vizinho mais distante) : S1&S2 S3&S4 S5 S6 S1&S S3&S S S S1&S2 S3&S4 S5&S6 S1&S S3&S S5&S S1&S2&S3&S4 S5&S6 S1&S2&S3&S S5&S Educação (anos) Renda (R$ mil)
14 Método da ligação média: Cluster K d(x i,x j ) L i C K j C L ( x x ) D 1 KL = d i n n, K j 25 Cluster L CLUSTER Observ Renda Educação 1 S S S S S S Educação (anos) Renda (R$ mil) S1 S2 S3 S4 S5 S6 S S S S S S S1&S2 S3&S4 S5 S6 S1&S S3&S S S
15 Método da ligação média: S1&S2 S3&S4 S5 S6 S1&S S3&S S S S1&S2 S3&S4 S5&S6 S1&S S3&S S5&S S1&S2 S3&S4&S5&S6 S1&S S3&S4&S5&S Educação (anos) Renda (R$ mil) S1 S2 S3 S4 S5 S6 S S S S S S
16 Método do centróide: MÉTODOS HIERÁRQUICOS Cluster K X Cluster L D KL X D KL = x K x L 2 Educação (anos) Renda (R$ mil) S1 S2 S3 S4 S5 S6 S S S S S S S1&S2 S3&S4 S5 S6 S1&S ,5 782,5 S3&S ,5 230,5 S5 590,5 120, S6 782,5 230, CLUSTER Observ Renda Educação 1 S S S S S S CLUSTER Observ Renda Educação 1 S1&S2 5,5 5,5 2 S3&S4 15,5 14,5 3 S S
17 Método do centróide: MÉTODOS HIERÁRQUICOS S1&S2 S3&S4 S5 S6 S1&S ,5 782,5 S3&S ,5 230,5 S5 590,5 120, S6 782,5 230, CLUSTER Observ Renda Educação 1 S1&S2 5,5 5,5 2 S3&S4 15,5 14,5 3 S5&S6 27,5 19,5 Educação (anos) Renda (R$ mil) S1&S2 S3&S4 S5&S6 S1&S S3&S S5&S CLUSTER Observ Renda Educação 1 S1&S2 5,5 5,5 2 S3&S4&S5&S6 21,5 17 Educação (anos) Renda (R$ mil)
18 Método do centróide: MÉTODOS HIERÁRQUICOS S1&S2 S3&S4 S5&S6 S1&S S3&S S5&S CLUSTER Observ Renda Educação 1 S1&S2 5,5 5,5 2 S3&S4&S5&S6 21,5 17 Educação (anos) Renda (R$ mil) S1&S2 S3&S4&S5&S6 S1&S ,25 S3&S4&S5&S6 388,25 0 Distance 15,76,51 DENDOGRAMA 5,25 0, Observations
19 Método de Ward: MÉTODOS HIERÁRQUICOS Por esse método os agrupamentos são formados pela maximização da homogeneidade dentros dos grupos. Para o cálculo da homogeneidade utiliza-se a média de quadrados: ANOVA ANOVA D KL = x K 1 n K + x L 1 n L 2 CLUSTERS MEMBROS DOS CLUSTERS POSSÍVEIS QM 1 S1, S2 S3 S4 S5 S6 0,5 2 S1, S3 S2 S4 S5 S6 45,25 3 S1, S4 S2 S3 S5 S6 55,25 4 S1, S5 S2 S3 S4 S6 156,25 5 S1, S6 S2 S3 S4 S5 205,25 6 S2, S3 S1 S4 S5 S6 36,25 7 S2, S4 S1 S3 S5 S6 45,25 8 S2, S5 S1 S3 S4 S6 139,25 9 S2, S6 S1 S3 S4 S5 186,25 S3, S4 S1 S2 S5 S6 0,5 11 S3, S5 S1 S2 S4 S6 34,0 12 S3, S6 S1 S2 S4 S5 62,5 13 S4, S5 S1 S2 S3 S6 26,5 14 S4, S6 S1 S2 S3 S5 53,0 15 S5, S6 S1 S2 S3 S4 6,5 ((5-5,5) 2 +(6-5,5) 2 + (5-5,5) 2 +(6-5,5) 2 )/2 CLUSTER Observ Renda Educação 1 S S S S S S
20 Método de Ward: CLUSTERS MEMBROS DOS CLUSTERS POSSÍVEIS QM 1 S1, S2,S3 S4 S5 S6 54,7 2 S1, S2,S4 S3 S5 S6 67,335 3 S1, S2,S5 S3 S4 S6 197,335 4 S1, S2,S6 S3 S4 S5 261,335 5 S1, S2 S3,S4 S5 S6 1,0 6 S1, S2 S3,S5 S4 S6 34,5 7 S1, S2 S3,S6 S4 S5 63,0 8 S1, S2 S4,S5 S3 S6 27,0 9 S1, S2 S4,S6 S3 S5 53,5 S1, S2 S5,S6 S3 S4 7,0... CLUSTERS MEMBROS DOS CLUSTERS POSSÍVEIS 1 QM 1 S1, S2,S3,S4,S5,S6 58,5
21 NÚMERO IDEAL DE AGRUPAMENTOS: Para o método Ward, além das abordagens anteriores, utiliza-se: 1. R 2 = 1 (SQW / SQT), em que SQW é a soma de quadrados within-cluster, SQT é a soma de quadrados total SQT = n T * Height T SQW = n 1 *Height 1 + n 2 *Height 2 + n 3 *Height 3
22 Procedimentos para criação dos agrupamentos: DADOS REDUÇÃO DE DIMENSÃO: PCA, FATORIAL GERAÇÃO DOS AGRUPAMENTOS BIPLOT CLASSIFICADOR ANÁLISE DOS RESULTADOS Quantos agrupamentos Descrição MDS
23 AGRUPAMENTO DE VARIÁVEIS: os métodos de geração de agrupamentos também podem ser utilizados para agrupar variáveis. Padrão: Alternativa: empregar agrupamentos de variáveis. Medidas de dissimilaridade: dissimilaridade(x,y) = 1 - correlação(x,y) dissimilaridade(x,y) = arccos( correlação(x,y) )
24 Para casa: Leitura do artigo: Hierarchical grouping to optimize an objective function (J. H. Ward)
MÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo APRESENTAÇÃO Métodos Multivariados: São métodos (ferramentas analíticas) utilizados na transformação de dados (várias medidas
Leia maisDescoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Descoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters Descoberta
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE DATA MINING
PÓS-GRADUAÇÃO ANÁLISE DE DATA MINING OBJETIVOS Na era da informação, as empresas capturam e armazenam muitos dados, e existe a real necessidade da aplicação de técnicas adequadas para a rápida tomada de
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisNíveis descritivos de testes estatísticos de variabilidade como medidas de similaridade entre objetos em análises de agrupamento
Níveis descritivos de testes estatísticos de variabilidade como medidas de similaridade entre objetos em análises de agrupamento Luiz Roberto Martins Pinto 1 Leonardo Evangelista Moraes 2 Priscila Ramos
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisAnálise de Agrupamento (Cluster analysis)
Análise de Agrupamento (Cluster analysis) Anderson Rodrigo da Silva 1 Exemplos de aplicações de análise de agrupamento Pesquisas de mercado Agrupamento de cidades-teste Bancos de germoplasma Caracterização
Leia maisUma nova abordagem para a análise de agrupamento com uma aplicação em agronomia
Uma nova abordagem para a análise de agrupamento com uma aplicação em agronomia Bruno de Athayde Prata ; Sílvia Maria de Freitas. Resumo A Estatística Multivariada, por avaliar múltiplas variáveis em uma
Leia maisPRÁTICA 8. A Distância Euclidiana entre dois vetores n-dimensionais x e y é definida como o escalar: d = norm(x y)
PRÁTICA 8 1) Medidas de Distância. A Distância Euclidiana entre dois vetores n-dimensionais e y é definida como o escalar: d 1 2 2 [( y ) + + ( y ) ] 2 e (, y) = y = y = 1 1 L n n esta epressão é a Norma
Leia maisAula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Leia mais3 Técnicas de agrupamento
3 Técnicas de agrupamento Com o advento da internet a quantidade de informação disponível aumentou consideravelmente e com isso, tornou-se necessário uma forma automática de organizar e classificar esta
Leia maisProfessor: Rodrigo A. Scarpel
Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana : Apresentação da disciplina Introdução à Programação Linear Resolução de problemas de PL pelo Método Gráfico
Leia maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
Leia maisAprendizagem de Máquina
Problema do Agrupamento Aprendizagem de Máquina Alessandro L. Koerich Seja x = (x 1, x 2,, x d ) um vetor d dimensional de características Seja D um conjunto de x vetores, D = { x(1), x(2),, x(n) } Problema
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 3: 1 /54 Programa Dia 1: Apresentação
Leia maisUNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada
UNIVERSIDADE FEDERAL FLUMINENSE Programa de Mestrado e Doutorado em Engenharia de Produção Disciplina: Estatística Multivariada Aula: Análise Discriminante Professor: Valdecy Pereira, D. Sc. email: valdecy.pereira@gmail.com
Leia maisANÁLISE DE AGRUPAMENTOS
ANÁLISE DE AGRUPAMENTOS Análise de Agrupamentos 2 Definição Consistem em encontrar grupos de objetos entre os objetos Categorizá-los ou agrupá-los Tipo de aprendizado não supervisionado Encontrar grupos
Leia maisPÓS-GRADUAÇÃO ANÁLISE DE BIG DATA
PÓS-GRADUAÇÃO ANÁLISE DE BIG DATA OBJETIVOS Este curso tem como objetivo principal apresentar de forma clara, objetiva e com aplicações reais como as metodologias de Big Data, Inteligência Artificial e
Leia maisA análise de aglomerados
Mais importante do que saber fazer é saber o por quê (Norbert Wiener (1894 1964). Prof. Lorí Viali, Dr. viali@pucrs.br; viali@mat.ufrgs.br; http://www.pucrs.br/famat/viali; http://www.mat.ufrgs.br/~viali/
Leia mais29 e 30 de julho de 2013
Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 29 e 30 de julho de 2013 Dia 2 - Conteúdo 1 2 3 Dados multivariados Estrutura: n observações tomadas de p variáveis resposta.
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisEscalonamento Multidimensional
Programa de Pós-Graduação em Administração de Organizações (PPGAO) Análise de dados multivariados I Escalonamento Multidimensional Escalonamento Multidimensional (EMD) CAPÍTULO 9 Escalonamento Multidimensional
Leia maisProf.: Eduardo Vargas Ferreira
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Prof.: Eduardo Vargas Ferreira O que é Machine Learning? Estatística Data Mining 2 O que é Machine Learning? Estatística
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia mais1 Introdução aos Métodos Estatísticos para Geografia 1
1 Introdução aos Métodos Estatísticos para Geografia 1 1.1 Introdução 1 1.2 O método científico 2 1.3 Abordagens exploratória e confirmatória na geografia 4 1.4 Probabilidade e estatística 4 1.4.1 Probabilidade
Leia maisAnálise de Clusters. Aplicações da formação de Grupos (Clustering)
Análise de Clusters Aplicações da formação de Grupos (Clustering) Ver e analisar vastas quantidades de dados biológicos como um todo pode ser difícil É mais fácil interpretar os dados se forem divididos
Leia maisAnálise de Correspondência (ANACOR)
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade EAC 0355 Análise Multivariada Análise de Correspondência (ANACOR) F 1 1 INTRODUÇÃO ANACOR: A ANÁLISE DE CORRESPONDÊNCIA SIMPLES
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisÍNDICE Janelas Menus Barras de ferramentas Barra de estado Caixas de diálogo
XXXXXXXX ÍNDICE INTRODUÇÃO 15 1. VISÃO GERAL DO SPSS PARA WINDOWS 17 1.1. Janelas 17 1.2. Menus 20 1.3. Barras de ferramentas 21 1.4. Barra de estado 21 1.5. Caixas de diálogo 22 2. OPERAÇÕES BÁSICAS 23
Leia maisUNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada
UNIVERSIDADE FEDERAL FLUMINENSE Programa de Mestrado e Doutorado em Engenharia de Produção Disciplina: Estatística Multivariada Aula: Escalonamento Multidimensional Professor: Valdecy Pereira, D. Sc. /
Leia maisInteligência Artificial Agrupamento de Dados. prof. Dr. Rogério R. de Vargas. Universidade Estadual de Santa Cruz - UESC. Ilhéus-Ba, Outubro de 2013
Inteligência Artificial de prof. Dr. Rogério R. de Vargas Universidade Estadual de Santa Cruz - UESC Ilhéus-Ba, Outubro de 2013 http://rogerio.in slide 1 Introdução http://rogerio.in slide 2 Como agrupar?
Leia maisIntrodução a Regressão Linear
Introdução a Regressão Linear 1 Duas pedras fundamentais em econometria: 1) Modelo de Regressão Linear 2) OLS método de estimação: Mínimos Quadrados Ordinários técnica algébrica / estatística Modelo de
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisRedes Neurais não Supervisionadas: SOM
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais não Supervisionadas: SOM DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisAnálise estatística multivariada
Análise estatística multivariada Conjunto de procedimentos para a análise simultânea de duas ou mais medidas de cada caso/observação Os dados coletados p variáveis - de uma amostra de tamanho n podem ser
Leia maisIDENTIFICAÇÃO DO NÚMERO MÍNIMO-IDEAL DE INDICADORES ECONÔMICOS POR GERAÇÃO DE AGRUPAMENTOS DE SÉRIES TEMPORAIS
IDENTIFICAÇÃO DO NÚMERO MÍNIMO-IDEAL DE INDICADORES ECONÔMICOS POR GERAÇÃO DE AGRUPAMENTOS DE SÉRIES TEMPORAIS Capitani, L.M. Divisão de Engenharia Mecânica e Aeronáutica Instituto Tecnológico de Aeronáutica-ITA
Leia maisEstatística Multivariada
Estatística Multivariada UNIVERSIDADE FEDERAL DE LAVRAS REITOR: Antônio Nazareno Guimarães Mendes VICE-REITOR: Elias Tadeu Fialho Diretoria Executiva Renato Paiva (Diretor) Elias Tadeu Fialho Conselho
Leia maisCLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Leia maisAnálise de agrupamento dos dados sedimentológicos da plataforma e talude continentais da Bahia
Análise de agrupamento dos dados sedimentológicos da plataforma e talude continentais da Bahia ÂNGELA CRISTINA DA FONSECA MIRANTE 1 2 4 JOÃO DOMINGOS SCALON 2 4 TÂNIA MARIA FONSECA ARAÚJO 3 TÂNIA JUSSARA
Leia mais3 Método Pesquisa de Orçamentos Familiares (POF)
33 3 Método Este estudo tem como base dados secundários da Pesquisa de Orçamentos Familiares do IBGE, realizada em dois períodos, 2002-2003 e 2008-2009, sendo estas as duas edições mais recentes da pesquisa.
Leia maisVARIEDADES DE SOBREMESAS DO MCDONALDS SEGUNDO SUAS CARACTERÍSTICAS NUTRICIONAIS: UMA APLICAÇÃO DE ANÁLISE DE AGRUPAMENTO
VARIEDADES DE SOBREMESAS DO MCDONALDS SEGUNDO SUAS CARACTERÍSTICAS NUTRICIONAIS: UMA APLICAÇÃO DE ANÁLISE DE AGRUPAMENTO Luana Kelly de Souza Nóbrega 1 Dalila Camêlo Aguiar 2 Jaylanne Medeiros de Mendonça
Leia maisANÁLISE DE AGRUPAMENTO APLICADA AO CRESCIMENTO POPULACIONAL DE ALGUNS PAÍSES EUROPEUS
ANÁLISE DE AGRUPAMENTO APLICADA AO CRESCIMENTO POPULACIONAL DE ALGUNS PAÍSES EUROPEUS Edwirde Luiz SILVA 1, Dalila Camêlo AGUIAR 2 1 Departamento de Estatística, Universidade Estadual da Paraíba - UEPB,
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Principais tópicos André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Métodos baseados em distância Aprendizado baseado em instâncias Conceitos básicos KNN
Leia maisProfessora: Cira Souza Pitombo. Disciplina: Aplicações de técnicas de análise de dados
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA MESTRADO EM ENGENHARIA AMBIENTAL E URBANA Apresentação do Curso Introdução Professora: Cira Souza Pitombo Disciplina: Aplicações de técnicas de análise
Leia maisAnálise Discriminante
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Análise Discriminante Análise Discriminante 1 Análise discriminante - A
Leia maisAplicação da técnica de análise de agrupamento de dados. Ana Paula Oliveira Loiola (Matemática) Carine Savalli Redigolo (Orientadora)
Aplicação da técnica de análise de agrupamento de dados Ana Paula Oliveira Loiola (Matemática) Carine Savalli Redigolo (Orientadora) 1. Introdução A análise de agrupamento ou análise de clusters é uma
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisPROCEDIMENTO PARA FORMAÇÃO DE GRUPOS DE EMPRESAS E PARA CONSTRUÇÃO DE ÍNDICE DE AVALIAÇÃO DOS AGRUPAMENTOS
7 (212), pp 93-12 PROCEDIMENTO PARA FORMAÇÃO DE GRUPOS DE EMPRESAS E PARA CONSTRUÇÃO DE ÍNDICE DE AVALIAÇÃO DOS AGRUPAMENTOS Enio Júnior Seidel a Marcelo Silva de Oliveira a Luiz Marcelo Antonialli a a
Leia maisComparação entre o método Ward e o método K-médias no agrupamento de produtores de leite
Comparação entre o método Ward e o método K-médias no agrupamento de produtores de leite Enio Júnior Seidel,Fernando de Jesus Moreira Júnior, Angela Pelegrin Ansuj, Maria Rosane Coradini Noal Departamento
Leia mais4 ANÁLISE DE DADOS. Erro do balanço iônico (%) = Σ cátions - Σ ânions x 100 Σ (cátions + ânions) (1)
ANÁLISE DE DADOS 4 ANÁLISE DE DADOS A definição das características das águas subterrânea baseou-se nas análises químicas e físico-químicas e na utilização de métodos estatísticos, como a estatística multivariada
Leia maisCARMEM TEREZINHA BECKER CrLIA CAMPOS BRAGA- JUAN CARLOS CEBALLOS--
225 "REGIONALIZAÇ~O OA PRECIPITAÇ~O E TEMPERATURA NO ESTAOO DO RIO GRANDE DO SUL A PARTIR DA AN~LISE DE AGRUPAMENTO" CARMEM TEREZINHA BECKER CrLIA CAMPOS BRAGA- JUAN CARLOS CEBALLOS-- DepartaMento de Ciências
Leia maisConsistência de agrupamentos de acessos de alho via análise discriminante
Consistência de agrupamentos de acessos de alho via análise discriminante 1 Introdução 1 Anderson Rodrigo da Silva 1 Paulo Roberto Cecon 1 Mário Puiatti 2 Moysés Nascimento 1 Fabyano Fonseca e Silva 1
Leia maisMineração de Dados. Modelos Descritivos. Descoberta de agrupamentos
Mineração de Dados Descoberta de agrupamentos Modelos Descritivos tarefa de geração de um modelo descritivo consiste (em grande parte) em analisar os dados do domínio (entradas) e sugerir uma partição
Leia maisGeometria (X 6 ) Português (X 3 ) Álgebra (X 4 )
ROTAÇÃO E INTERPRETAÇÃO DAS COMPONENTES PRINCIPAIS Consideremos o seguinte exemplo (exercício 6): 15 alunos de uma determinada escola foram sujeitos a testes de 6 disciplinas e os resultados obtidos encontram-se
Leia maisESTUDO COMPARATIVO DOS ESCORES FATORIAIS E DE COMPONENTES PRINCIPAIS EM DADOS ARQUEOMÉTRICOS.
ESTUDO OMPRTIVO DOS ESORES FTORIIS E DE OMPONENTES PRINIPIS EM DDOS RQUEOMÉTRIOS. P.T.M.S. Oliveira, IME-USP,poliveir@ime.usp.br.. S. Munita, IPEN-NEN/SP, munita@curiango.ipen.br RESUMO: Em estudos arqueométricos
Leia mais3 Análise de Fácies Sísmicas
3 Análise de Fácies Sísmicas Os modelos geológicos dos reservatórios são formados a partir de estimativas de características especificas das rochas ou sedimentos. Estimativas das propriedades das rochas,
Leia maisAPLICAÇÃO DE ANÁLISE DE CLUSTER EM VALORES NUTRICIONAIS REFERENTES Á TIPOS DE CARNES
APLICAÇÃO DE ANÁLISE DE CLUSTER EM VALORES NUTRICIONAIS REFERENTES Á TIPOS DE CARNES Samara Rilda de S.BEZERRA 1, Edwirde Luiz SILVA 1,Aldreany P.Araújo SILVA 1 1 Departamento de Estatística, Universidade
Leia maisANÁLISE ESTATÍSTICA com o SPSS Statistics
João Marôco 5 a. Edição ANÁLISE ESTATÍSTICA com o SPSS Statistics ANÁLISE ESTATÍSTICA com o SPSS Statistics 5ª Edição JOÃO MARÔCO É proibida toda e qualquer reprodução desta obra por qualquer meio físico
Leia maisGeometria Analítica e Álgebra Linear
UNIFEI - Universidade Federal de Itajubá campus Itabira Geometria Analítica e Álgebra Linear Parte 1 Matrizes 1 Introdução A teoria das equações lineares desempenha papel importante e motivador da álgebra
Leia maisMATEMÁTICA II. Aula 13. 3º Bimestre. Sistemas Lineares Professor Luciano Nóbrega
1 MATEMÁTICA II Aula 13 Sistemas Lineares Professor Luciano Nóbrega 3º Bimestre 2 INTRODUÇÃO Em uma partida de basquete, dois jogadores marcaram juntos 42 pontos. Quantos pontos marcou cada um? Para responder
Leia maisANÁLISE DISCRIMINANTE
ANÁLISE DISCRIMINANTE 56 ª Reunião Anual da Região Brasileira da Sociedade Internacional de Biometria 4 º Simpósio de Estatística Aplicada à Experimentação Agronômica Prof. Edwirde L. Silva 5 A 9 de Julho
Leia maisProblema de Designação. Fernando Nogueira Problema de Designação 1
Problema de Designação Fernando Nogueira Problema de Designação 1 O Problema de Designação é um caso específico de um Problema de Transporte, que por sua vez é um caso específico de um Problema de Programação
Leia maisFundamentos dos Dados
Fundamentos dos Dados SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade
Leia maisCálculo Diferencial e Integral 2 Formas Quadráticas
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral 2 Formas Quadráticas 1 Formas quadráticas Uma forma quadrática em R n é um polinómio do
Leia maisResolução de Sistemas Lineares. Método de Gauss. O algoritimo conhecido como Método de Gauss é desenvolvido a partir de dois ingredientes básicos:
Resolução de Sistemas Lineares Método de Gauss O algoritimo conhecido como Método de Gauss é desenvolvido a partir de dois ingredientes básicos: Resolução de Sistemas Lineares Triangulares Procedimento
Leia maisCap. 2 Conceitos Básicos em Teoria dos Grafos
Teoria dos Grafos e Aplicações 8 Cap. 2 Conceitos Básicos em Teoria dos Grafos 2.1 Grafo É uma noção simples, abstrata e intuitiva, usada para representar a idéia de alguma espécie de relação entre os
Leia maisOtimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Leia maisAnálise de Imagens. Aula 20: Sistemas com Múltiplos Classificadores. Prof. Alexandre Xavier Falcão.
A.X. Falcão p.1/17 Análise de Imagens Aula 20: Sistemas com Múltiplos Classificadores (Fusão) Prof. Alexandre Xavier Falcão afalcao@ic.unicamp.br. IC - UNICAMP A.X. Falcão p.2/17 Roteiro da Aula Sistemas
Leia maisInstituto Nacional de Pesquisas Espaciais - INPE. Divisão de Processamento de Imagens - DPI
1 Sumário 2 Introdução Técnicas de ESDA Matrizes de Proximidade Espacial Média Espacial Móvel (m i ) Indicadores Globais de Autocorrelação Espacial Índices Globais de Moran (I), Geary (C) e Getis e Ord
Leia mais3 a. FASE DO CONCURSO VESTIBULAR DO BACHARELADO EM ESTATÍSTICA 1 a. PROVA DA DISCIPLINA: CE065 ELEMENTOS BÁSICOS PARA ESTATÍSTICA CANDIDATO:
3 a. FASE DO CONCURSO VESTIBULAR DO BACHARELADO EM ESTATÍSTICA a. PROVA DA DISCIPLINA: CE65 ELEMENTOS BÁSICOS PARA ESTATÍSTICA CANDIDATO: a. Questão (valor,): Resolva de forma clara e detalhada as questões
Leia maisUNIDADE V EXPERIMENTOS FATORIAIS (RC)
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE CAMPINA GRANDE CENTRO DE CIENCIAS E TECNOLOGIA AGROALIMENTAR UNIDADE V EXPERIMENTOS FATORIAIS (RC) Profª Railene Hérica Carlos Rocha Pombal, PB. 1. Conceitos
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisSumário. RObust Clustering using links ROCK. Thiago F. Covões. Motivação. Motivação. Links. Market basket analys. Motivação
Sumário RObust Clustering using links ROCK Thiago F. Covões Motivação Links Função de qualidade Algoritmo Vantagens/Desvantagens SCC5895Análise de Agrupamento de Dados 1 2 Motivação Atributos categóricos/nominais/discretos
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisCombinação de Classificadores (fusão)
Combinação de Classificadores (fusão) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Sistemas com múltiplos classificadores Fusão por voto majoritário voto majoritário ponderado
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisMatrizes - Matemática II /05 1. Matrizes
Matrizes - Matemática II - 00/0 1 Matrizes Introdução Se m e n são números naturais, chama-se matriz real de tipo m n a uma função A de nida no conjunto f(i; j) i f1; ; ; mg e j f1; ; ; ngg e com valores
Leia maisProgramação Linear (PL) Solução algébrica - método simplex
Universidade Federal de Itajubá Instituto de Engenharia de Produção e Gestão Pesquisa Operacional Simplex Prof. Dr. José Arnaldo Barra Montevechi Programação Linear (PL) Solução algébrica - método simplex
Leia maisProfessor: Rodrigo A. Scarpel
Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Pesquisa Operacional Durante a Segunda Guerra Mundial, os líderes militares solicitaram que cientistas estudassem problemas como posicionamento
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisCapítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos. Computação Gráfica - Vol. 2 - Cap. 6
Capítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos 1 Capítulo 6 6.1. Segmentação 6.2. Tipos de características 6.3. Descritores de forma 6.4. Reconhecimento de Padrões em Imagens
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
Leia maisMINERAÇÃO DE DADOS. Thiago Marzagão CLUSTERIZAÇÃO. Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 9
MINERAÇÃO DE DADOS Thiago Marzagão marzagao.1@osu.edu CLUSTERIZAÇÃO Thiago Marzagão (UnB) MINERAÇÃO DE DADOS 1 / 9 regressão/classificação vs clusterização Regressão/classificação: temos x 1, x 2,...,
Leia maisA procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP
A procura da melhor partição em Classificação Hierárquica: A abordagem SEP/COP Lúcia Sousa Escola Superior de Tecnologia e Gestão, Instituto Politécnico de Viseu Fernanda Sousa Faculdade de Engenharia
Leia maisMatemática para Ciência de Computadores
Matemática para Ciência de Computadores 1 o Ano - LCC & ERSI Luís Antunes lfa@ncc.up.pt DCC-FCUP Complexidade 2002/03 1 Representação de Relações Definição: Uma relação binária de um conjunto A num conjunto
Leia maisSCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Leia maisTeoria dos Grafos AULA
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br AULA Caminho mínimo - Algoritmo de Djskstra Preparado a partir
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisResolução de problemas difíceis de programação linear através da relaxação Lagrangeana
problemas difíceis de programação linear através da relaxação Lagrangeana Ana Maria A.C. Rocha Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho arocha@dps.uminho.pt http://www.norg.uminho.pt/arocha
Leia maisRECONHECIMENTO DE PADRÕES - RP
RECONHECIMENTO DE PADRÕES - RP Definições Básicas O que é? 2 Ramo do aprendizado de máquina Consiste em atribuir um rótulo (ou classe) para uma certa amostra ou valor de entrada Exemplo: classificação
Leia maisSistemas de equações lineares
DMPA IM UFRGS Cálculo Numérico Índice Sistema de Equações Lineares 1 Sistema de Equações Lineares 2 com pivoteamento parcial 3 Método de Jacobi Método Gauss-Seidel Sistema de Equações Lineares n equações
Leia maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Leia maisProfessor: Rodrigo A. Scarpel
Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana 1: Apresentação da disciplina Introdução à Programação Linear Resolução de problemas de PL pelo Método Gráfico
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia mais