Chuvas e Precipitações
|
|
- Sérgio Klettenberg
- 5 Há anos
- Visualizações:
Transcrição
1
2 Chuvas e Precipitações
3 Chuvas e Precipitações 1. Mais chuvosos;
4 Chuvas e Precipitações 1. Mais chuvosos; 2. Média/Padrão;
5 Chuvas e Precipitações 1. Mais chuvosos; 2. Média/Padrão; 3. Menos chuvosos.
6 Chuvas e Precipitações 1. Mais chuvosos; 2. Média/Padrão; 3. Menos chuvosos.
7 Aferindo com um pluviomêtro.
8 Precipitação anual.
9 Agrupamento Crisp.
10
11 Agrupamento Fuzzy.
12 Quantidade de dados armazenados; A mineração de dados têm grande relevância; Existe uma grande quantidade de algoritmos de agrupamento de dados; Métodos apresentam dificuldades em alguns aspectos; É uma área que permite ser explorada. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 8
13 Tempo é dinheiro ; Algoritmo K-Means é crisp; Solução é trabalhar com agrupamentos fuzzy. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 9
14 Chuvas e Precipitações 1. Mais chuvosos; 2. Média/Padrão; 3. Menos chuvosos.
15 Aferindo com um pluviomêtro.
16 Precipitação anual.
17 Representar o conjunto de dados como intervalos consiste em delimitar os erros ocasionados por estimativas de medições, de simplificações, modelagem, por falha humana ou pelo instrumento de medição; Uma outra motivação para este trabalho é apresentar uma forma de agrupamento para os valores amostrais que consideram os erros contidos. Então a entrada dos dados são valores intervalares. Desta forma, julga-se que a classificação de cada elemento a um determinado cluster (o grau de pertença) também seja um intervalo. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 13
18 Uma Nova Forma de Calcular os Centros dos Clusters em Algoritmos de Agrupamento Tipo Fuzzy C-Means Apresentação da Tese de Doutorado de: Rogério R. de Vargas Orientado por: Benjamín R. C. Bedregal Natal-RN, Março 2012 ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 14
19 Objetivos ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 15
20 Objetivo Geral O objetivo geral é melhorar o desempenho, tanto em rapidez quanto o índice de acertos, de algoritmos de agrupamento de dados tipo FCM. Outro objetivo, é desenvolver um algoritmo de agrupamento de dados capaz de manipular dados simbólicos. Objetivos Objetivo Geral Objetivos Específicos ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 16
21 Objetivos Específicos Modificar a forma de calcular o centro dos clusters no algoritmo FCM (ckmeans); Comparar o desempenho desta nova variante do FCM com K-Means; Aplicar outras distâncias nos algoritmos, K-Means, FCM e ckmeans, comparando seu desempenho; Objetivos Estender o algoritmo ckmeans para dados intervalares. Objetivo Geral Objetivos Específicos ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 17
22 Matemática Intervalar ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 18
23 Matemática Intervalar Recentemente, a análise de dados simbólicos foi proposto como um método de análise. Isso tem gerado um grande interesse por parte dos pesquisadores; Matemática Intervalar Matemática Intervalar Matemática Intervalar Por exemplo, se observamos a situação de quanto tempo as pessoas assistem TV por dia e fazer o seguinte questionamento: Quanto tempo você assiste TV por dia?. Se o entrevistado responder 4,5 horas, essa observação tem um risco de não ser uma situação realista. Uma resposta entre 3 e 5 horas pode ser mais realista. Assim, uma observação deve ser tratado como intervalo de valor de dados. Matemática Intervalar Métrica Métrica de Moore Métrica Intervalar ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 19
24 Matemática Intervalar Operações: Adição e Subtração SejamX,Y IR, comx = [2;4] ey = [1;3]. Adição X +Y = [(x 1 +y 1 );(x 2 +y 2 )] Resultado: [3; 7] Matemática Intervalar Matemática Intervalar Matemática Intervalar Matemática Intervalar Métrica Métrica de Moore Subtração X Y = [(x 1 y 2 );(x 2 y 1 )] Resultado: [ 1; 3] Métrica Intervalar ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 20
25 Matemática Intervalar Operações: Multiplicação e Divisão SejamX,Y IR, comx = [2;4] ey = [1;3]. Multiplicação X Y = [min{x 1 y 1,x 1 y 2,x 2 y 1,x 2 y 2 }; max{x 1 y 1,x 1 y 2,x 2 y 1,x 2 y 2 }] Resultado: [2; 12] Matemática Intervalar Matemática Intervalar Matemática Intervalar Matemática Intervalar Métrica Métrica de Moore Métrica Intervalar Divisão X Y = com0 / [y 1 ;y 2 ]. Resultado: [0, 6666; 4] [ { x1 min, x 1, x 2, x } { 2 x1 ;max, x 1, x 2, x }] 2 y 1 y 2 y 1 y 2 y 1 y 2 y 1 y 2 ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 21
26 Métrica Distância é a medida da separação de dois pontos. Dado um conjuntos, uma métrica emséuma função d : S S R + que possui as seguintes propriedades: Positiva: d(x,y) 0; Matemática Intervalar Matemática Intervalar Matemática Intervalar Matemática Intervalar Simetria: d(x,y) = d(y,x); Desigualdade Triangular: d(x,z) d(x,y)+d(y,z); Identidade dos Indiscerníveis: d(x,y) = 0 X = Y. Métrica Métrica de Moore Métrica Intervalar ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 22
27 } Métrica de Moore SejamX = [x 1 ;x 2 ] ey = [y 1 ;y 2 ] dois intervalos. Define-se a distância dex paray como sendo o número real não-negativo δ = max{ x 1 y 1 ; x 2 y 2 }. Notação: dist(x,y) = max{ x 1 y 1, x 2 y 2 } 0. Matemática Intervalar Matemática Intervalar Matemática Intervalar X } Y R Matemática Intervalar Métrica Métrica de Moore Métrica Intervalar Figura 1: Representação Geométrica da Distância Entre Dois Intervalos Exemplo: dist(x,y) = max{ 1 2, 3 5 } = 2 ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 23
28 Métrica Intervalar Definição: Dado um conjuntos, uma métrica intervalar emséuma função d : S S IR + que possui as seguintes propriedades para todo X,Y ez ems: 1. 0 d(x,x) ; 2. d(x,y) d(x,z) + d(z,y) Matemática Intervalar Matemática Intervalar Matemática Intervalar Matemática Intervalar Métrica Métrica de Moore Métrica Intervalar 3. d(x,y) = d(y,x) e 4. se0 d(x,y) = d(x,x) = d(y,y)entãox = Y Métrica Intervalar proposta para intervalos: d I (X;Y) = [ min { d(x;y);d(x;y) } ;max { d(x;y);d(x;y) }] onded(x;y) é a distância absoluta( x y ) entre dois números reais. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 24
29 Algoritmos de Agupamento ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 25
30 Algoritmo K-Means O K-Means é um dos mais simples algoritmos de aprendizado não-supervisionado. O procedimento segue uma maneira relativamente simples e fácil de usar; Classifica um determinado conjunto de dados através de um certo número de clusters (assumindo K-clusters) fixado a priori. Algoritmos de Agupamento Algoritmo K-Means Algoritmo Fuzzy C-Means Algoritmo Fuzzy C-Means Condições de Parada Figura 2: Fluxograma do Algoritmo K-Means ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 26
31 Algoritmo Fuzzy C-Means A ideia é que o conjuntox = {x 1,x 2,...,x n } seja dividido emp clusters,µ ij é o grau de pertinência da amostrax i aoj-ésimo cluster e o resultado do agrupamento é expresso pelos graus de pertinência na matriz µ. J = n p µ m ij d(x i;c j ) 2 i=1 j=1 Algoritmos de Agupamento Algoritmo K-Means Algoritmo Fuzzy C-Means Algoritmo Fuzzy C-Means Condições de Parada onde: n é o número de dados epéonúmero de clusters; m > 1 é o parâmetro da fuzzificação; x i um vetor de dados de treinamento,c j é o centro de um agrupamento ed(x i ;c j ) é a distância. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 27
32 Algoritmo Fuzzy C-Means 1. Inicialize µ; 2. Calcule o centro do cluster j: c j = n i=1 n µ m ijx i Algoritmos de Agupamento Algoritmo K-Means Algoritmo Fuzzy C-Means Algoritmo Fuzzy C-Means Condições de Parada i=1 µ m ij 3. Calcule um valor inicial para J; 4. Calcule a tabela da função de pertinência Fuzzy µ µ ij = ( p ( k=1 1 d(x i ;c j ) ) 2 m 1 1 d(x i ;c k ) ) 2 m 1 5. Retornar à etapa 2 até que uma condição de parada seja alcançada. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 28
33 Condições de Parada Algumas condições de parada possíveis são: Um número de iterações pré-fixado for executado; O usuário informa um valor de paradaǫ > 0, e se d(j U ;J A ) ǫ Algoritmos de Agupamento então para, ondej A é a função objetiva calculada na iteração anterior ej U é a função objetiva da última iteração. Algoritmo K-Means Algoritmo Fuzzy C-Means Algoritmo Fuzzy C-Means Condições de Parada ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 29
34 Métodos Propostos ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 30
35 O algoritmo ckmeans proposto segue a mesma estrutura do algoritmo FCM, porém, a única alteração deu-se em como calcular o centro dos clusters, ou seja, oc j ; Devido utilizar a mesma forma de calcular o centro de cada cluster do algoritmo K-Means, nomeou-se o algoritmo de ckmeans. Métodos Propostos Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 31
36 1. Leia µ; 2. Em cada linha encontrar o maior valor da matrixµeatribuir 1 a essa mesma posição em µcrisp e zero nas restantes; 3. Armazenar em um vetor a quantidade de 1 s que cada coluna deµcrisp possui. Se uma coluna não tiver 1 s marque sumariamente com 1 a posição onde está o maior valor. Após calculada a matriz µcrisp calculam-se os novos centros dos clusters. Métodos Propostos c j = Σn i=1x i µcrisp ij Σ n i=1µcrisp ij Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) Oc j é calculado pela somatória dos dados que pertencem ao cluster (de forma crisp) e dividido pela quantidade de objetos classificados como 1 na matriz µcrisp deste cluster. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 32
37 Exemplo: Métodos Propostos µ = 0,3 0,2 0,5 0,4 0,3 0,3 0,1 0,7 0,2 Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 33
38 Exemplo: Métodos Propostos Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) µ = µcrisp = 0,3 0,2 0,5 0,4 0,3 0,3 0,1 0,7 0, ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 33
39 Exemplo: Métodos Propostos µ = 0,3 0,2 0,5 0,4 0,3 0,3 0,1 0,7 0,2 µ = 0,3 0,4 0,3 0,1 0,1 0,8 0,7 0,1 0,2 Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) µcrisp = ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 33
40 Exemplo: Métodos Propostos µ = 0,3 0,2 0,5 0,4 0,3 0,3 0,1 0,7 0,2 µ = 0,3 0,4 0,3 0,1 0,1 0,8 0,7 0,1 0,2 Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) µcrisp = ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 33 µcrisp =
41 Exemplo: Métodos Propostos µ = 0,3 0,2 0,5 0,4 0,3 0,3 0,1 0,7 0,2 µ = 0,3 0,4 0,3 0,1 0,1 0,8 0,7 0,1 0,2 Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) µcrisp = ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 33 µcrisp =
42 Métricas Distância Euclidiana; Distância Não-Métrica proposta por [WU; YANG, 2002]; Distância Métrica-Normalizada proposta por [ZHANG; CHEN, 2004]. Métodos Propostos WU, K.-L.; YANG, M.-S. Alternative c-means clustering algorithms. Pattern Recognition, v. 35, n. 10, p , ZHANG, D.-Q.; CHEN, S.-C. A comment on "alternative c-means clustering algorithms". Pattern Recognition, v. 37, n. 2, p , Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 34
43 Distância Euclidiana d E (X,Y) = n X i Y i 2 i=1 para todox = (X 1,...,X n ) ey = (Y 1,...,Y n ) emr n. Métodos Propostos Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 35
44 Distância Não-Métrica d NM (X,Y) = 1 exp( βd E (X,Y) 2 ) para todox = (X 1,...,X n ) ey = (Y 1,...,Y n ) emr n. Ondeβ é uma função que é calculada a cada iteração. ( n j=1 d E(X j,x) ) 1 β = n Métodos Propostos com X[k] = n j=1 X j[k] n Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 36
45 Distância Métrica-Normalizada A distância Métrica-Normalizada é uma alteração da distância Não-Métrica. Essa alteração, permite com que a nova função satisfaça as condições de uma definição de distância. d MN (X,Y) = 1 exp( β(d E (X,Y) 2 )) para todox = (X 1,...,X n ) ey = (Y 1,...,Y n ) emr n. Métodos Propostos Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 37
46 Interval ckmeans (Intervalar) Inicializeµcom subintervalos de[0;1] aleatórios associados a cada par (dados/clusters) tais que para cada par dados/cluster (X i ;j) ea j µ ij temos que existema k µ ik para todo k {1,...,j 1,j +1,...,c} satisfazendo c a k = 1 k=1 Métodos Propostos Exemplo: Métricas Distância Euclidiana Distância Não-Métrica Distância Métrica-Normalizada Interval ckmeans (Intervalar) [0.08; 0.09] [0.78; 0.79] [0.12; 0.14] [0.28; 0.29] [0.46; 0.47] [0.24; 0.26] [0.88; 0.89] [0.10; 0.11] [0.00; 0.02] Demais passos, similar ao ckmeans, porém com operações intervalares. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 38
47 Resultados ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 39
48 Resultados (Pontual) No intuito de comparar os algoritmos K-Means, FCM e ckmeans, tanto do ponto de vista de eficácia (porcentagem de acertos) como eficiência (tempo de execução e quantidade de iterações), foram executados usando 3 bases de dados: Iris; Sonar; Vogal. Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 40
49 Os parâmetros de entrada são 150 dados e estes dados referem-se à classe (1-50 Iris Setosa, Iris Versicolour e Iris Virginica). O número de clusters são 3, o valor de fuzziness ém = 1,25 e ǫ = 0,001. Estes parâmetros foram usados nas três configurações dos algoritmos (K-Means, FCM e ckmeans); Inicialização deµec j idênticos. Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 41
50 Tabela 1: Base Iris agrupada pelos algoritmos FCM e ckmeans utilizando as distâncias Euclidiana, Não-Métrica e Métrica-Normalizada. Assinalado ao Cluster Iris-setosa Iris-virginica Iris-versicolor Resultados Resultados (Pontual) Resultados - Base Vogais Tabela 2: Base Iris agrupada pelo algoritmo K-Means utilizando as distâncias Euclidiana, Não-Métrica e Métrica-Normalizada. Assinalado ao Cluster Iris-setosa Iris-virginica Iris-versicolor Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 42
51 Tabela 3: Performance entre os algoritmos na base Iris. Quantidade de Iterações Tempo do Processamento (s) Algoritmo d E d NM d MN d E d NM d MN K-Means ,56 0,98 0,98 FCM ,67 2,42 2,46 ckmeans ,33 2,03 2,06 Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 43
52 Este conjunto de dados serviu como estudo para a classificação de sinais sonares no treinamento de uma rede neural; O número de clusters são 2, o valor de fuzziness ém = 1,5 e ǫ = 0,0001. Estes parâmetros foram usados nas três configurações dos algoritmos simulados (K-Means, FCM e ckmeans). Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 44
53 Tabela 4: Base Sonar agrupada pelos algoritmos K-Means, FCM e ck- Means utilizando a distância Euclidiana. Assinalado ao Cluster 1 2 Rock Mine Resultados Tabela 5: Base Sonar agrupada pelo algoritmo FCM e ckmeans utilizando a distância Não-Métrica. Assinalado ao Cluster 1 2 Rock Mine Resultados (Pontual) Resultados - Base Vogais Tabela 6: Base Sonar agrupada pelo algoritmo FCM e ckmeans utilizando a distância Métrica-Normalizada. Assinalado ao Cluster 1 2 Rock Mine Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 45
54 Tabela 7: Performance entre os algoritmos na base Sonar. Quantidade de Iterações Tempo do Processamento (s) Algoritmo d E d NM d MN d E d NM d MN K-Means ,94 13,61 8,94 FCM ,73 31,63 46,65 ckmeans ,74 8,73 8,74 Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 46
55 Resultados - Base Vogais Os parâmetros de entrada são dados e estes dados referem-se a 5 classes (A, E, I, O e U). O número de clusters são 5, o valor de fuzziness ém = 1,25 e ǫ = 0,001. Estes parâmetros foram usados nas 3 configurações dos algoritmos (K-Means, FCM e ckmeans); Inicialização deµec j idênticos. Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 47
56 Base Vogais O número de instâncias espalhadas nos clusters usando os algoritmos K-Means, FCM e ckmeans são os mesmos. Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 48
57 Base Vogais (K-Means) A E I O U Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 49
58 Base Vogais (FCM) A E I O U Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 50
59 Base Vogais (ckmeans) A E I O U Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 51
60 Base Vogais (K-Means) O número de instâncias classificadas incorretamente em cada cluster é 1900, o que corresponde a 48,99% com o algoritmo K-Means. Resultados Cluster A Cluster E Cluster I Cluster O Cluster U Incorrect Cluster A Cluster E Cluster I Cluster O Cluster U Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 52
61 Base Vogais (FCM) O número de instâncias classificadas incorretamente em cada cluster é 1655, o que corresponde a 42.67% com o algoritmo FCM Cluster A Cluster E Cluster I Cluster O Cluster U Incorrect Resultados Cluster A Cluster E Cluster I Cluster O Cluster U Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 53
62 Base Vogais (ckmeans) O número de instâncias classificadas incorretamente em cada cluster é 1615, o que corresponde a 41,64% com o algoritmo ckmeans. Resultados Resultados (Pontual) Cluster A Cluster E Cluster I Cluster O Cluster U Incorrect Cluster A Cluster E Cluster I Cluster O Cluster U Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 54
63 Base Vogais (Comparativos) Tabela 8: Performance K-Means FCM ckmeans Iterações Tempo médio de cada iteração 0,59 2,24 1,80 Tempo Convergência 8,9 285,2 39,67 Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 55
64 Resultados (Intervalar) A base de dados a ser analisada pelos algoritmos é uma classificação de cidades baseada na temperatura. Foi obtido a temperatura mínima e máxima (em graus Celsius) do mês em um determinado ano entre 37 cidades espalhadas entre os continentes; O número de clusters são 4; Resultados Resultados (Pontual) O valor de fuzziness ém = 2; ǫ = 0,001. Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 56
65 Resultados (Intervalar) O algoritmo IFCM realizou 60 iterações para obter o melhor resultado de acordo com o critério de convergência escolhido; Realizando um agrupamento crisp dos graus de pertinência de acordo com o ponto médio, o algoritmo Interval ckmeans convergiu após 7 iterações; Sem informações do MSV. Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 57
66 Resultados (Intervalar) A Tabela 9 mostra a quantidade de instâncias agrupadas em cada cluster. Como nos resultados dos algoritmos MSV e IFCM a classificação da cidade Singapore foi ignorada por alguma razão, nós também a ignoramos para efeito de comparação embora tenha sido classificada no cluster 1. Resultados Resultados (Pontual) Resultados - Base Vogais Tabela 9: Quantidade de Objetos Agrupados entre os Algoritmos Cluster IFCM MSV Interval ckmeans Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 58
67 Resultados (Intervalar) O algoritmo Interval ckmeans classificou diversos dados em comuns se comparado com os algoritmos IFCM e MSV, a Tabela 10 mostra essa distribuição. Resultados Resultados (Pontual) Resultados - Base Vogais Tabela 10: Objetos Classificados em Comum com os Algoritmos IFCM e MSV Cluster IFCM MSV Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 59
68 Resultados (Intervalar) Há uma coincidência de classificações de 66,66% perante o IFCM e 63,88% perante o MSV; Apenas 21 cidades foram classificadas nos mesmos clusters pelos algoritmos IFCM e MSV, ou seja, o uma coincidência de classificação de 58,33%; Resultados Resultados (Pontual) Sobre o algoritmo Interval ckmeans, o cluster 1 teve 11 instâncias agrupadas idêntica ao MSV, a exceção foi a cidade de Sydney e 4 cidades em comum na classificação com o IFCM; O cluster 2 teve todos os dados classificados idênticos ao algoritmo MSV e com a exceção de um dado ao algoritmo IFCM; O cluster 3 foi o que apresentou maior diferença entre os os algoritmos comparados, com apenas uma instância em comum; Resultados - Base Vogais E o cluster 4 mostrou uma instância em comum com o algoritmo MSV e 8 em comum com o algoritmo IFCM. Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 60
69 Intervalar Base Iris (Intervalar) Intervalizamos os dados de entrada para intervalos; Intervalizamos a inicialização doµ ij do algoritmo ckmeans (pontual); Parâmetrosmeǫsão idênticos do ckmeans (pontual). Resultados Resultados (Pontual) Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 61
70 Intervalar Tabela 11: Base Iris agrupada pelos algoritmos FCM e ckmeans utilizando as distâncias Euclidiana, Não-Métrica e Métrica-Normalizada. Assinalado ao Cluster Iris-setosa Iris-virginica Iris-versicolor Resultados Resultados (Pontual) Resultados - Base Vogais Tabela 12: Base Iris Intervalar agrupada pelo algoritmo Interval ckmeans. Assinalado ao Cluster Iris-setosa Iris-virginica Iris-versicolor Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 62
71 Tabela 13: Performance entre os algoritmos na base Iris. Quantidade de Iterações Tempo do Processamento (s) Algoritmo d E d NM d MN d E d NM d MN K-Means ,56 0,98 0,98 FCM ,67 2,42 2,46 ckmeans ,33 2,03 2,06 Resultados Resultados (Pontual) Tabela 14: Performance do algoritmo Interval ckmeans na Base Iris Intervalar. Quantidade de Iterações Tempo do Processamento (s) 3 2,86 Resultados - Base Vogais Base ÖÓ Ö Óº Ò Vogais PPgSC / Universidade Federal do Rio Grande do Norte slide 63
72 Conclusões ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 64
73 Conclusões Esta tese apresentou dois estudos: 1. Agrupamento de dados pontuais, mostrando um novo método para calcular os centros dos clusters, o algoritmo ckmeans. Esse algoritmo reduziu o tempo de processamento e o número de iterações na classificação de dados. O algoritmo ckmeans fornece uma aceleração perante a aplicação FCM tradicional; Conclusões Conclusões Conclusões (Pontual) Conclusões (Intervalar) Conclusões (Intervalar) 2. Agrupamento de dados simbólicos, mostra um estudo das principais operações e funções especiais da matemática intervalar; 3. Os experimentos nas bases simuladas mostram que a classificação do grau de pertinência com o algoritmo ckmeans em relação ao cluster é similar ou até melhor do que com o algoritmo FCM; ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 65
74 Conclusões (Pontual) Conclusões Conclusões Conclusões (Pontual) Conclusões (Intervalar) Conclusões (Intervalar) Em algumas base de dados, utilizar outras distâncias como a distância Não-Métrica e Métrica-Normalizada em vez da distância Euclidiana (mais usual) a quantidade de dados classificados corretamente não é alterado ou é até pior que se comparado com a distância Euclidiana; Observe que a condição de parada fornecido porepsilon quanto menor for, maior é o número de iterações no algoritmo FCM. Entretanto, no algoritmo ckmeans isso não ocorre, como o epsilon é utilizado para calcular a diferença do valor dej na iteração atual com a iteração anterior, no algoritmo ckmeans a tendência é que essa diferença seja zero. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 66
75 Conclusões (Intervalar) Vários pesquisadores vêm trabalhando no sentido de estabelecer e aplicar metodologias no agrupamento de dados intervalares; Este trabalho também pretende ser um aporte para essa área; Conclusões Conclusões Conclusões (Pontual) Uma das propriedades da abordagem proposta é respeitar o princípio da corretude, ou seja, se considerasse qualquer valor pontual entre os seus respectivos valores (intervalares) como dado de entrada e grau de pertinência, usando o algoritmo pontual FCM, o agrupamento resultante estaria contido no intervalo apresentado pelo algoritmo Interval ckmeans; Conclusões (Intervalar) Conclusões (Intervalar) ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 67
76 Conclusões (Intervalar) Então a vantagem é que neste algoritmo Interval ckmeans consideram graus de pertinências intervalares propiciando conhecer ainda mais a imprecisão nos dados de entrada; Conclusões Conclusões Conclusões (Pontual) Conclusões (Intervalar) Conclusões (Intervalar) O grande trunfo deste algoritmo é sempre manter os dados de entrada e operações com intervalos e quando necessário calcular a distância de cada ponto ao centro de cada cluster, usar uma métrica intervalar em vez de usar uma métrica pontual como a distância Euclidiana; O algoritmo Interval ckmeans permitiu a aplicação de duas técnicas: a matemática intervalar e a teoria dos conjuntos Fuzzy. Desta forma, é possível tratar os dados de entrada imprecisos em resultados com funções de pertinências intervalares. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 68
77 Próximas Etapas ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 69
78 Etapas a Realizar Comparar os resultados de outras extensões do FCM com o algoritmo ckmeans; Modificar a forma de calcular os centros dos clusters em outras variantes do algoritmo FCM e comparar a sua perfomance; Trabalhar com outras bases de dados simbólicos que já estejam validadas; Próximas Etapas Etapas a Realizar Verificar a propriedade de corretude do algoritmo Interval ckmeans com respeito ao algoritmo ckmeans; Utilizar imagens médicas no processo de agrupamento com os algoritmos K-Means, FCM e ckmeans; Manipular imagens intervalares com o algoritmo Interval ckmeans. ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 70
79 Publicações ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 71
80 Principais Publicações Obtidas de Vargas, R. ; Bedregal, B. ; Palmeira, E.. A Comparison between K-Means, FCM and ckmeans Algorithms. In: Simone André da Costa Cavalheiro; Luciana Foss; Marilton Sanchotene de Aguiar;Graçaliz Pereira Dimuro; Antônio Carlos da Rocha Costa. (Org.). Post-Proceedings of the Workshop-School on Theoretical Computer Science. Los Alamitos: IEEE, 2011, v. 1, p ; Publicações Principais Publicações Obtidas Publicações Obtidas Questionamentos... de Vargas, R. ; Bedregal, B.: Interval ckmeans: An Algorithm for Clustering Symbolic Data. In: Proc. Conf. North American Fuzzy Information Processing Society (NAFIPS 2011), El Paso, USA (2011); Vargas, R., Bedregal, B.: A Comparative Study Between fuzzy c-means and ckmeans Algorithms. In: Proc. Conf. North American Fuzzy Information Processing Society (NAFIPS 2010), Toronto, Canada (2010); ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 72
81 Publicações Obtidas de Vargas, R., Bedregal, B.: Uma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means. In: Proceedings of CNMAC 2010 (33th Brazilian Conference on Applied and Computational Math), SBMAC (Brazilian Society of Applied and Computational Math), Águas de Lindóia, Brazil (2010); Publicações Principais Publicações Obtidas de Vargas, R., Bedregal, B., Oliveira Filho, I.: Agrupamento de Dados Intervalares com o Algoritmo IFCM. In: Proceedings of CISAISI 2009 (13th Congresso Internacional Sudamericano de Ingenearía de Sistemas e Informática), Arica, Chile (2009); Publicações Obtidas Questionamentos... de Vargas, R., Bedregal, B.: Uma Extensão Intervalar do Algoritmo Fuzzy C-Means. In: Proceedings of CNMAC 2009 (32th Brazilian Conference on Applied and Computational Math), SBMAC (Brazilian Society of Applied and Computational Math), Cuiabá, Brazil (2009). ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 73
82 Questionamentos... Uma Nova Forma de Calcular os Centros dos Clusters em Algoritmos de Agrupamento Tipo Fuzzy C-Means CONTATO Publicações Principais Publicações Obtidas ØØÔ»»ÖÓ Ö Óº Ò Publicações Obtidas Questionamentos... ÖÓ Ö Óº Ò PPgSC / Universidade Federal do Rio Grande do Norte slide 74
Uma Extensão Intervalar do Algoritmo Fuzzy C-Means
Uma Extensão Intervalar do Algoritmo Fuzzy C-Means Rogério R. de Vargas e Benjamín R. C. Bedregal CNMAC 2009 Cuiabá-MT, Setembro de 2009 Vargas e Bedregal PPgSC/ Universidade Federal do Rio Grande do Norte
Leia maisUma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means
Uma Nova Forma de Calcular o Centro dos Clusters no Algoritmo Fuzzy C-Means Rogério R. de Vargas, Benjamín R. C. Bedregal, Departamento de Matemática Aplicada e Informática, DIMAp, UFRN 59072-970, Natal,
Leia maisRogério Vargas. Pelotas, 29 de Fevereiro de Rogério Vargas PPGInf / Universidade Católica de Pelotas slide 1
Técnicas Matemático-Computacionais para o Tratamento de Incertezas Aplicadas ao Problema do Fluxo de Potência em Sistemas de Transmissão de Energia Elétrica Rogério Vargas orientador: Luciano Barboza co-orientadora:
Leia maisAlgoritmo ckmeans Aplicado ao Sensoriamento Remoto
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo ckmeans Aplicado ao Sensoriamento Remoto Rogério R. de Vargas
Leia maisClusterização de Dados Coletados do Exame de Glicemia Usando o Algoritmo Fuzzy C-Means Intervalar
Clusterização de Dados Coletados do Exame de Glicemia Usando o Algoritmo Fuzzy C-Means Intervalar Rogério R. de Vargas, Benjamín R. C. Bedregal, Macilon A. Costa Neto 2 Programa de Pós-Graduação em Sistemas
Leia maisA comparison between K-Means, FCM and ckmeans algorithms
2011 Workshop-School on Theoretical Computer Science A comparison between K-Means, FCM and ckmeans algorithms Rogério R. de Vargas, Benjamín R. C. Bedregal Departamento de Informática e Matemática Aplicada
Leia mais5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO
102 5 ESTUDO DE CASOS 5.1 CATEGORIZAÇÃO Conforme detalhado na seção 4.3, foram criados três conjuntos de dados: clientes BT com 382 padrões, clientes comerciais MT com 866 padrões e clientes industriais
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Clusterização: Conceitos Básicos Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
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 maisIncertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy
Incertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy Rogério Vargas Dr. Luciano Vitoria Barboza, orientador Dra. Graçaliz Pereira Dimuro, co-orientadora Pelotas-RS,
Leia maisREVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS
REVISITANDO CONJUNTOS E DISTÂNCIAS PARA ENCONTRAR PONTOS VIZINHOS Eduardo Braun - eduardotbraun@gmail.com Universidade Federal de Santa Maria, Campus Camobi, 97105-900 - Santa Maria, RS, Brasil Alice de
Leia maisA Figura 28 mostra a representação gráfica dos dados presentes na base de dados fcmdata do Matlab de dimensão 140x2 dividida em 2 grupos.
84 5 Estudos de Caso A seguir serão apresentados três estudos de caso. Os dois primeiros estudos de caso têm por objetivo demonstrar a facilidade de uso do aplicativo, e o último estudo de caso é focado
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
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 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 maisSVM Intervalar Linearmente Separável
SVM Intervalar Linearmente Separável Adriana Takahashi, Adrião D. Dória Neto, Depto de Engenharia de Computação e Automação, DCA, UFRN, Campus Universitário - Lagoa Nova 59078-900, Natal, RN, Brasil E-mail:
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 maisUma Extensão Intervalar do Algoritmo Fuzzy C-Means
Anais do CNMAC v.2 ISSN 1984-820X Uma Extensão Intervalar do Algoritmo Fuzzy C-Means Rogério R. de Vargas, Benjamín R. C. Bedregal Programa de Pós-Graduação em Sistemas e Computação, DIMAp, UFRN Lagoa
Leia maisRedes Perceptron e Multilayer Perceptron aplicadas a base de dados IRIS
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Redes Perceptron e Multilayer Perceptron aplicadas a base de dados IRIS Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce
Leia maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multivariados 1 Análise de componentes principais 2 Aplicações de análise
Leia maisRogério Rodrigues de Vargas. Uma Nova Forma de Calcular os Centros dos Clusters em Algoritmos de Agrupamento Tipo Fuzzy C-Means
Rogério Rodrigues de Vargas Uma Nova Forma de Calcular os Centros dos Clusters em Algoritmos de Agrupamento Tipo Fuzzy C-Means Natal - RN 2012 Rogério Rodrigues de Vargas Uma Nova Forma de Calcular os
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 maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisFUZZY KOHONEN CLUSTERING NETWORK PARA DADOS INTERVALARES COM DISTÂNCIA CITY-BLOCK PONDERADA
XIV CONGRESSO DE INICIAÇÃO CIENTÍFICA DA UNIVERSIDADE FEDERAL CAMPINA GRANDE FUZZY KOHONEN CLUSTERING NETWORK PARA DADOS INTERVALARES COM DISTÂNCIA CITY-BLOCK PONDERADA Danilo de Menezes Freitas 1 Carlos
Leia maisReconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy
Reconhecimento de Padrões de Falhas Tipo Fenda em Chapa de Alumínio Utilizando Clusterização Fuzzy Pedro Henrique S. Coutinho, Thiago P. das Chagas, Fábio da C. Cruz DCET - UESC Ilhéus, Bahia, Brasil Emails:
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisAula 6 Mineração Streams Representação dos Dados. Profa. Elaine Faria UFU
Aula 6 Mineração Streams Representação dos Dados 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
Leia mais3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY
3 FERRAMENTAS UTILIZADAS: REDES NEURAIS E LÓGICA FUZZY 3.1 REDES NEURAIS As redes neurais representam uma tecnologia que têm raízes em muitas disciplinas: neurociência, matemática, estatística, física,
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 maisProjected Clustering Algorithm
Projected Clustering Algorithm Emanuel Matos 5560105 Disciplina : Análise de Agrupamentos Prof. Dr. Ricardo Campello Dez/2010 View Problema Objetivo Definições/Premissas Algoritmo Acurácia Escalabilidade
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
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 maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisModelagem da Dinâmica de um Grupo de Indivíduos HIV Positivos com Parâmetro Fuzzy do Tipo 2
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 3, N., 25. Trabalho apresentado no XXXV CNMAC, Natal-RN, 24. Modelagem da Dinâmica de um Grupo de Indivíduos HIV
Leia maisPor que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas
Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Abordagens automáticas Wrapper Filtros Muitos algoritmos de AM são projetados de modo a selecionar os
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
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 maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisMapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995))
Mapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995)) que realiza simultaneamente agrupamento e visualização SOM usa aprendizagem não supervisionada para mapear dados
Leia maisConteúdo da Apresentação
Extração de Regras Fuzzy para Máquina de Vetor Suporte (SVM) para Classificação em Múltiplas Classes Adriana da Costa F. Chaves Conteúdo da Apresentação Motivação Método de Extração de Regras Fuzzy Classificação
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisRedes Neurais e Sistemas Fuzzy
1. Inteligência Computacional Redes Neurais e Sistemas Fuzzy Apresentação da disciplina Conceitos básicos A chamada Inteligência Computacional (IC) reúne uma série de abordagens e técnicas que tentam modelar
Leia maisTópicos em Mineração de Dados
Tópicos em Mineração de Dados Descoberta de agrupamentos Método k-médias 1. Introdução A descoberta de agrupamentos é uma tarefa descritiva que procura agrupar dados utilizando a similaridade dos valores
Leia maisAprendizado de Máquina
Aprendizado de Máquina Template Matching Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://lesoliveira.net October 25, 2012 Luiz S. Oliveira (UFPR) Aprendizado
Leia maisCombinação de Classificadores (seleção)
Combinação de Classificadores (seleção) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Seleção de classificadores Estimativa independente de decisão Estimativa dependente de decisão
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
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 mais4 Método Proposto CR AD PA NDVI Descrição geral do modelo
34 4 Método Proposto 4.1. Descrição geral do modelo Neste trabalho, cada classe (cobertura vegetal) possui um HMM específico. Os estágios fenológicos correspondem a estados e os símbolos observáveis a
Leia maisAula 1: k-nearest Neighbors
Aula 1: k-nearest Neighbors Paulo C. Marques F. Aula ministrada no Insper 29 de Janeiro de 2016 Insper Aula 1: k-nearest Neighbors 29 de Janeiro de 2016 1 / 14 O problema geral de classificação Insper
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 maisMétodo q-g: uma generalização do método da máxima descida
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Método q-g: uma generalização do método da máxima descida Aline C. Soterroni, Fernando Manuel Ramos, Laboratório Associado de Computação e Matemática
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
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 maisBlock Clustering K-means para Variáveis Simbólicas do Tipo Intervalo
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia da Computação Block Clustering K-means para Variáveis Simbólicas do Tipo Intervalo Gibson Belarmino Nunes Barbosa Trabalho
Leia maisRepresentação e Aritmética em Ponto Flutuante. 35T12 Sala 3G4 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227
Representação e Aritmética em Ponto Flutuante 35T12 Sala 3G4 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227 Sistemas de Representação de Números no Computador Representação de números inteiros Dado um
Leia maisInterpolação polinomial
Cálculo Numérico Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343 1970 94, 508583 1980
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisImplementação de um sistema de validação estatística configurável de dados
Implementação de um sistema de validação estatística configurável de dados Eduardo Dias Filho Supervisores: João Eduardo Ferreira e Pedro Losco Takecian 16 de novembro de 2014 Introdução Table of Contents
Leia maisSCX5005 Simulação de Sistemas Complexos II. Problemas em Simulação
SCX5005 Simulação de Sistemas Complexos II Alguns Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
Leia mais5 Análise de desempenho
81 5 Análise de desempenho Neste capítulo será apresentado o desempenho do algoritmo mediante a subjetividade e a objetividade da classificação. Na primeira seção será medido o erro de classificação subjetivo.
Leia maisWilliam Stallings Arquitetura e Organização de Computadores 8 a Edição
William Stallings Arquitetura e Organização de Computadores 8 a Edição Capítulo 9 Aritmética do computador slide 1 Unidade aritmética e lógica Faz os cálculos. Tudo o mais no computador existe para atender
Leia maisAula 5: k-means. Paulo C. Marques F. 1 de Abril de Aula ministrada no Insper. Insper Aula 5: k-means 1 de Abril de / 19
Aula 5: k-means Paulo C. Marques F. Aula ministrada no Insper 1 de Abril de 2016 Insper Aula 5: k-means 1 de Abril de 2016 1 / 19 Aprendizagem não supervisionada Encerramos, por hora, o capítulo sobre
Leia maisProjeto AM Francisco de A. T. de Carvalho 1
Projeto AM 2018-1 Francisco de A. T. de Carvalho 1 1 Centro de Informatica-CIn/UFPE Av. Prof. Luiz Freire, s/n -Cidade Universitaria, CEP 50740-540, Recife-PE, Brasil, fatc@cin.ufpe.br 1) No conjunto de
Leia mais4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA
94 4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA 4.1 INTRODUÇÃO Conforme dito no capítulo 1, a diminuição das perdas técnicas e comerciais é uma das principais prioridades das
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia maisK-MEANS COM ÁRVORES KD
2 Roteiro K-MEANS COM ÁRVORES KD Rodrigo Coelho Barros Árvores KD O que são? Algoritmo de Bentley (1975) Métodos de divisão K-Means com árvores KD Algoritmo de filtragem (Kanungo et al., 2002) Exemplo
Leia maisPROBABILIDADE E DISTÂNCIAS
PROBABILIDADE E DISTÂNCIAS Definições Básicas Variável aleatória 2 Em Estatística, é muito comum ver o termo variável aleatória. Mas qual o seu significado? Existem várias definições para o termo variável
Leia maisANÁLISE DE ALGORITMOS: PARTE 1. Prof. André Backes. Como resolver um problema no computador? Precisamos descrevê-lo de uma forma clara e precisa
ANÁLISE DE ALGORITMOS: PARTE 1 Prof. André Backes Algoritmos 2 Como resolver um problema no computador? Precisamos descrevê-lo de uma forma clara e precisa Precisamos escrever o seu algoritmo Um algoritmo
Leia maisInteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
Leia maisClustering - c-means e Self Organizing Maps
- c-means e Self Organizing Maps Sarajane M. Peres e Clodoaldo A. M. Lima 13 de abril de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 FAUSETT, L. Fundamentals
Leia maisValores de Trocas Sociais Fuzzy em Agentes com Personalidades
Valores de Trocas Sociais Fuzzy em Agentes com Personalidades André V. dos Santos 1, Graçaliz P. Dimuro 1, Benjamín C. Bedregal 2 1 Programa de Pós-graduação em Informática UCPel Rua Félix da Cunha, 412
Leia mais5 Estudo de Casos. Tabela 5 - Características dos Banco de Dados
5 Estudo de Casos O principal objetivo desse estudo de casos é a avaliação do desempenho do modelo FREx_SVM em problemas envolvendo duas ou mais classes. São estudados quatro problemas, dois de classificação
Leia maisProjeções Multi-dimensionais
Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 23 de setembro de 2010 Introdução
Leia maisétodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos ZEROS DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
Leia maisCálculo Numérico IPRJ/UERJ. Sílvia Mara da Costa Campos Victer ÍNDICE. Aula 1- Introdução. Representação de números. Conversão de números
Cálculo Numérico IPRJ/UERJ Sílvia Mara da Costa Campos Victer ÍNDICE Aula 1- Introdução Representação de números Conversão de números Aritmética de ponto flutuante Erros em máquinas digitais Aula 1 - Introdução
Leia maisModelagem Computacional. Parte 7 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 16 Aprendizado Não-Supervisionado Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisAnálise do Desempenho do Algoritmo de Agrupamento Baseado em Colônia de Formigas Modificado
Anais do CNMAC v. ISSN 1984-80X Análise do Desempenho do Algoritmo de Agrupamento Baseado em Colônia de Formigas Modificado Rosangela Villwock UFPR - Programa de Pós-Graduação em Métodos Numéricos em Engenharia
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 mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
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 REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Aprendizagem Baseada em Instâncias Plano de Aula Introdução Espaço
Leia mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
Leia maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisNebFuzz: Um Novo Algoritmo de Agrupamento Semi-Supervisionado Baseado no Fuzzy C-Means
NebFuzz: Um Novo Algoritmo de Agrupamento Semi-Supervisionado Baseado no Fuzzy C-Means Valmir Macário 1, Francisco de A T de Carvalho 1 1 Centro de Informática, Universidade Federal de Pernambuco; Av Prof
Leia maisSistemas Lineares. Métodos Iterativos Estacionários
-58 Sistemas Lineares Estacionários Lucia Catabriga e Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo -
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia mais, cosh (x) = ex + e x. , tanh (x) = ex e x 2
Exercícios Adicionais 1. Podemos definir as funções seno, cosseno e tangente hiperbólicos como: sinh (x) = ex e x, cosh (x) = ex + e x, tanh (x) = ex e x e x + e x Escreva três funções no Scilab que implementem
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 13 04/2014 Sistemas de Equações Lineares Parte 3 MÉTODOS ITERATIVOS Cálculo Numérico 3/44 MOTIVAÇÃO Os métodos iterativos
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
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 maisCOMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 04. rabalho apresentado no CMAC-Sul, Curitiba-PR, 04. COMPARAÇÃO DE ÉCNICAS DE CONROLE APLICADAS A UM SISEMA
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia mais