SCC5895 Análise de Agrupamento de Dados
|
|
- Ivan Osvaldo Álvares Estrada
- 6 Há anos
- Visualizações:
Transcrição
1 S5895 Análse de Agrupamento de Dados Algortmos Herárqucos: Parte II Prof. Eduardo Raul Hruschka PPG-M / IM / USP
2 rédtos Parte do materal a segur consste de adaptações e extensões dos orgnas: Elaborados por Eduardo R. Hruschka e Rcardo J. G. B. ampello de (Tan et al., 2006) de E. Keogh (SBBD 2003) Algumas fguras foram gentlmente ceddas por Lucas Vendramn 2
3 Agenda ontnuação de Algortmos Herárqucos Average Lnkage (UPGMA) Varantes: WPGMA, UPGM, WPGM Método de Ward Esquema de Lance-Wllams Métodos Monótonos e Não Monótonos Métodos Dvsvos Heurístca de MacNaughton-Smth (DIANA) Bsectng k-means Sngle Lnkage va Árvores Geradoras Mínmas em Grafos omplexdade omputaconal 3
4 Relembrando Agrupamento Herárquco... Bottom-Up (métodos aglomeratvos): - Incar colocando cada objeto em um cluster - Encontrar o melhor par de clusters para unr - Unr o par de clusters escolhdo - Repetr até que todos os objetos estejam reundos em um só cluster Top-Down (métodos dvsvos): - Incar com todos objetos em um únco cluster - Sub-dvdr o cluster em dos novos clusters - Aplcar o algortmo recursvamente em ambos, até que cada objeto forme um cluster por s só Keogh, E. A Gentle Introducton to Machne Learnng and Data Mnng for the Database ommunty, SBBD 2003, Manaus. 4
5 How to Defne Inter-luster (Ds)Smlarty p1 p2 p3 p4 p5... (Ds)Smlarty? p1 p2 MIN (aula anteror) MAX (aula anteror) Group Average Dstance Between entrods Other methods Ward s p3 p4 p5... Proxmty Matrx Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
6 How to Defne Inter-luster (Ds)Smlarty p1 p2 p3 p4 p5... p1 p2 p3 p4 MIN MAX Group Average Dstance Between entrods Other methods Ward s p5... Proxmty Matrx Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
7 Average Lnkage ou Group Average Dstânca entre clusters é dada pela dstânca méda entre cada par de objetos (um de cada cluster) Também conhecdo como UPGMA : Unweghted Par Group Method usng Arthmetc averages unweghted cada par de objetos possu a mesma mportânca Fgura por Lucas Vendramn 7
8 luster Smlarty: Group Average Proxmty of two clusters s the average of parwse proxmty between ponts n the two clusters. pluster p luster proxmty(p,p j j proxmty(luster, luster j) luster luster Need to use average connectvty for scalablty snce total proxmty favors large clusters I1 I2 I3 I4 I5 I I I I I Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº Exercíco: Gerar a herarqua. j j )
9 Herarchcal lusterng: Group Average Exercíco: atrbua valores de dstânca entre os pontos ao lado, que sejam condzentes com a fgura, e monte o dendrograma. Nested lusters Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
10 Herarchcal lusterng: Group Average Group Average represents a compromse between Sngle and omplete Lnk Strengths Less susceptble to nose and outlers Lmtatons Based towards globular clusters Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
11 omo omparar os lusters? Sngle x omplete x Average: Sngle Lnkage: apaz de detectar clusters de formas complexas No entanto, muto sensível a ruído nos dados (e.g. pontes ) Fgura por Lucas Vendramn Fgura por Lucas Vendramn 11
12 omo omparar os lusters? Sngle x omplete x Average: omplete Lnkage: Reduz sensbldade a ruído (e.g. pontes entre clusters) No entanto: aumenta rsco de separar clusters grandes perde capacdade de detecção de formas complexas Average Lnkage: favorece clusters globulares Também favorece clusters bem comportados (globulares) Mas é muto menos sensível (mas robusto) a ruído e outlers. 12
13 Atualzação da Matrz de Proxmdades Para fns de atualzação da matrz de (ds)smlardade em average lnkage, o cálculo da (ds)smlardade entre um novo cluster (dado pela unão de outros dos) e os demas deve consderar o no. de objetos em cada cluster envolvdo já que average lnkage calcula uma méda. Especfcamente, sendo o número de objetos em um cluster e d(, j ) a (ds)smlardade entre dos clusters e j, é smples mostrar que (vde Lance-Wllams / exercícos): d j k, d, d, j k j k j j k k 13
14 Obtenha o dendrograma completo de execução do método average lnkage (UPGMA) sobre a matrz de dstâncas abaxo Mostre passo a passo a matrz atualzada (va fórmula do slde anteror) Apresente também a cophenetc matrx correspondente Exercíco: D 1
15 Varante de Average Lnkage Método WPGMA: Weghted Par Group Method usng Arthmetc averages d, j k d, d, Méda artmétca smples das (ds)smlardades entre os grupos não leva em conta as cardnaldades (no. objetos) dos grupos Mesma mportânca aos grupos, ndependente dos tamanhos equvale a dar maor mportânca (peso) às (ds)smlardades envolvendo os objetos do grupo de menor tamanho ( j ou k ) reduz o peso dos objetos do grupo de maor tamanho j 2 k 15
16 21 Método de Ward (1963) Método baseado na mnmzação do rtéro de Erro Quadrátco (varâncas ntra-grupos) a cada nova partção: onde d = Eucldana e x é o centróde do -ésmo cluster: k j j d J 1 2, x x x x x x 1
17 Método de Ward Dssmlardade entre cada par de grupos e j defnda como a varação no crtéro J da partção corrente se esses grupos forem undos para formar a partção segunte na sucessão herárquca unr os 2 grupos mas smlares sgnfca mnmzar o crescmento das varâncas ntra-grupos a cada nível da herarqua Vde fórmula de atualzação no esquema Lance-Wllams... 22
18 Lmtações: Método de Ward Assm como Average Lnkage, tende a gerar clusters globulares Fórmula de atualzação só possu nterpretação para dados descrtos por atrbutos numércos e dstânca Eucldana Vantagens: Smlar a Average Lnkage em robustez a ruído e outlers Análogo herárquco do k-means (mesma função objetvo) pode ser usado para ncalzar k-means Jan & Dubes (1988): Several of the comparatve studes dscussed n Secton conclude that Ward s method, also called the mnmum varance method, outperforms other herarchcal clusterng methods 23
19 Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº Herarchcal lusterng: omparson Group Average Ward s Method MIN MAX
20 Vnculação Smples (Sngle Lnkage) Vnculação Méda (Average Lnkage) Vnculação de Ward Keogh, E. A Gentle Introducton to Machne Learnng and Data Mnng for the Database ommunty, SBBD 2003, Manaus. 25
21 26 Esquema de Lance-Wllams (1967) Formulação Parametrzada que abrange todos os métodos vstos anterormente onde sgnfca valor absoluto Algortmo aglomeratvo unfcado atualzação confgurável da matrz de proxmdades k j k j k k j j k j d d d d d d,,,,,,
22 Esquema de Lance-Wllams (1967) Sngle- Lnkage omplete -Lnkage j k 1/2 1/2 0 1/2 1/2 1/2 0 1/2 UPGMA N j / (N j + N k ) N k / (N j + N k ) 0 0 WPGMA 1/2 1/2 0 0 UPGM N j / (N j + N k ) N k / (N j + N k ) (N j N k ) / (N j + N k ) 2 0 WPGM 1/2 1/2 1/4 0 Ward s (N j +N ) / (N j +N k +N ) (N k +N ) / (N j +N k +N ) N / (N j +N k +N ) 0 NOTAS: N, N j e N k são as quantdades de objetos nos grupos, j e k, respectvamente Métodos de centródes (UPGM e WPGM) subsumem dst. Eucldana ao quadrado 27
23 Herarchcal lusterng: Tme and Space requrements O(N 2 ) space snce t uses the proxmty matrx N s the number of ponts O(N 3 ) tme n many cases There are N steps and, at each step, the proxmty matrx must be updated and searched omplexty can be reduced for some approaches Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
24 Métodos Dvsvos Incam com um únco cluster, que é sub-dvddo em 2 Recursvamente sub-dvde cada um dos 2 clusters Até que cada objeto consttua um sngleton Em geral, são menos usados que os aglomeratvos É mas smples unr 2 clusters do que dvdr... número de modos para dvdr N objetos em 2 clusters é (2 N-1 1). Por exemplo, para N=50 exstem 5.63x10 14 maneras de se obter dos clusters! Questão: omo dvdr um cluster? 33
25 Heurístca de MacNaughton-Smth et al. (1964): Para um dado cluster, escolher o objeto mas dstante dos demas Este formará o novo cluster Para cada objeto, calculam-se as dstâncas médas deste aos objetos do cluster orgnal e aos objetos do novo cluster O objeto mas próxmo do novo cluster e mas dstante do cluster orgnal é transferdo para o novo cluster ; repete-se o processo Exemplo (Evertt et al., 2001): D
26 Para este exemplo, objeto 1 é o mas dstante (novo cluster A) Demas objetos permanecem no cluster prncpal (cluster B) lusters obtdos: A={1} e B={2,3,4,5,6,7} Sejam D A e D B as dstâncas médas de um objeto de B em relação aos objetos de A e B, respectvamente: Mas próxmos de A do que de B Objetos B D A D B D B -D A , ,4 16, ,8-15, ,4-12, ,0-19, ,2-19,8 Objeto escolhdo para mudar de cluster Desta forma, obtemos os clusters {1,3} e {2,4,5,6,7} Repetndo o processo temos... 35
27 Objetos B D A D B D B -D A 2 8,5 29,5 12,0 4 25,5 13,2-12,3 5 25,5 15,0-10,5 6 34,5 16,0-18,5 7 39,0 18,7-20,3 Mudar para A Novos clusters: {1,3,2} e {4,5,6,7}. Próxmo passo: todos (D B -D A ) negatvos; Pode-se então repetr o processo em cada cluster acma, separadamente... 36
28 Heurístca de MacNaughton-Smth Exercíco: Aplcar o algortmo herárquco dvsvo com heurístca de MacNaughton-Smth et al. na segunte base de dados: D
29 Bsectng K-means Bsectng K-means algorthm Varant of K-means that can produce a parttonal or a herarchcal clusterng SSE dx j x x j 2, Sum of Squared Errors (para o grupo ) Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
30 Bsectng K-means Example Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
31 Bsectng K-Means Note que fazendo K = N (no. total de objetos) no passo 8 do algortmo, obtemos uma herarqua completa No passo 3, a seleção do grupo a ser b-secconado pode ser feta de dferentes maneras Utlza-se algum crtéro de avalação de qualdade dos grupos, para eleger o por. Por exemplo: Dâmetro máxmo (sensível a outlers) SSE normalzado pelo no. de objetos do grupo (mas robusto) rtéros de avalação de grupos ndvduas que consderam os objetos nos demas grupos (veremos posterormente no curso) 40
32 Bsectng K-Means omplexdade omputaconal k-means roda em O(Nkn) *, mas, como k = 2, tem-se O(Nn) Assummos por smplcdade que no_of_teratons = 1 no passo 4 Por aso: cada dvsão separa apenas 1 objeto dos demas O( Nn + (N-1)n + (N-2)n n) O(N 2 n) Melhor aso: cada dvsão separa o grupo de forma balanceada Árvore bnára com log 2 N níves, cada um somando N objetos O(n N log 2 N) * Assumndo dstânca com complexdade lnear no no. de atrbutos 41
33 Bsectng K-Means Um problema deste algortmo é que as dvsões va execução de k-means (dscutdo posterormente no curso) com k = 2 grupos podem quebrar grupos naturas Essas quebras não poderão ser corrgdas. Exemplo: Fgura por André Fontana 42 Fgura por André Fontana
34 Bsectng K-Means Nota: se queremos uma partção com k grupos: ao nvés da herarqua podemos refnar a solução obtda com k grupos executando o própro k-means com k = k No exemplo anteror: refnar a solução com 10 grupos executando k-means com k = 10 protótpos ncas guas aos fnas obtdos va bsectng k-means vde fguras a segur 43
35 Bsectng K-means Example Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
36 Bsectng K-Means Example 45
37 MST: Dvsve Sngle-Lnkage lusterng Buld MST (Mnmum Spannng Tree) for the proxmty graph Start wth a tree that conssts of any pont In successve steps, look for the closest par of ponts (p, q) such that one pont (p) s n the current tree but the other (q) s not Add q to the tree and put an edge between p and q Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
38 MST: Dvsve Sngle-Lnkage lusterng Use MST for constructng herarchy of clusters Tan,Stenbach, Kumar Introducton to Data Mnng 4/18/2004 nº
39 Sngle-Lnkage va MSTs O método para construção de Árvores Geradoras Mínmas (MSTs) descrto anterormente é chamado de Algortmo de Prm Outro método smlar que também pode ser utlzado é o Algortmo de Kruskal omece com cada objeto sendo uma MST Forme uma nova MST conectando as duas MSTs mas próxmas através da menor aresta entre elas Repta até que se tenha uma únca MST 50
40 Sngle-Lnkage va MSTs Observe a relação dreta entre o algortmo de Kruskal para MSTs e o algortmo sngle-lnkage De fato, o procedmento dvsvo subsequente à construção da MST é desnecessáro nesse caso MSTs parcas correspondem a grupos Aresta mínma entre duas MSTs undas a cada passo corresponde à dstânca entre dos grupos undos Armazenando as MSTs parcas e as arestas de lgação, obtemos o sngle-lnkage aglomeratvo torna mas evdente a relação entre sngle-lnkage e MSTs
41 Sumáro dos Métodos Herárqucos No. de lusters: não necesstam especfcar o número de clusters a pror, mas de qualquer forma é necessáro seleconar a posteror... Procedmento Guloso: não se pode reparar o que fo feto num passo anteror não necessaramente leva à solução ótma Escalabldade: complexdade de tempo (N 2 ); N = no. de objetos Interpretabldade: Produz uma herarqua, que é aqulo desejado em mutas aplcações (e.g. taxonoma), e permte análse de outlers álculo Relaconal: Não demandam matrz de dados orgnal 53
42 Letura Sugerda Seções 3.1 e 3.2 de (Jan & Dubes, 1988) 54
43 Referêncas Jan, A. K. and Dubes, R.., Algorthms for lusterng Data, Prentce Hall, 1988 Evertt, B. S., Landau, S., and Leese, M., luster Analyss, Arnold, 4 th Edton, 2001 Tan, P.-N., Stenbach, M., and Kumar, V., Introducton to Data Mnng, Addson-Wesley, 2006 Gan, G., Ma,., and Wu, J., Data lusterng: Theory, Algorthms and Applcatons, ASA SIAM, 2007 Gordon, A. D., Herarchcal lassfcaton, Em Arabe et al. (Eds.), lusterng and lassfcaton, World Scentfc,
Créditos. SCC5895 Análise de Agrupamento de Dados. Aula de Hoje. Algoritmos Hierárquicos: Parte II. Relembrando Agrupamento Hierárquico...
SCC89 Análse de Agrupamento de Dados Algortmos Herárqucos: Parte II Prof Rcardo J G B Campello Crédtos Parte do materal a segur consste de adaptações e extensões dos orgnas: gentlmente ceddos pelo Prof
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Conteúdo. Métodos Particionais (Sem Sobreposição)
SCC7 Mneração de Dados Bológcos Agrupamento de Dados Partes III & IV: Métodos Partconas e Valdação Crédtos O materal a segur consste de adaptações e etensões dos orgnas: gentlmente ceddos pelo Prof. Eduardo
Leia maisSCC5895 Análise de Agrupamento de Dados
SCC5895 Análise de Agrupamento de Dados Algoritmos Hierárquicos: Parte II Prof. Ricardo J. G. B. Campello PPG-CCMC / ICMC / USP Créditos Parte do material a seguir consiste de adaptações e extensões dos
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Não Supervsonada Alessandro L. Koerch Aprendzagem não supervsonada Algortmos de agrupamento (Clusterng) Seqüencas Herárqucos Baseados na otmzação de funções
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisUM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO
Pesqusa Operaconal na Socedade: Educação, Meo Ambente e Desenvolvmento 12 a 15/09/06 Goâna, GO UM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO Flávo Marcelo Tavares Montenegro IBGE Insttuto Braslero
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisAdriana da Costa F. Chaves
Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,
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 maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisCréditos. SCC5895 Análise de Agrupamento de Dados. Relembrando... Aula de Hoje. Algoritmos Hierárquicos: Parte I. [ x ] T. Algoritmos Hierárquicos
SCC Análise de Agrupamento de Dados Algoritmos Hierárquicos: Parte I Prof Ricardo J G B Campello Créditos O material a seguir consiste de adaptações e etensões dos originais: gentilmente cedidos pelo Prof
Leia maisSCC5895 Análise de Agrupamento de Dados
SCC89 Análise de Agrupamento de Dados Algoritmos Hierárquicos (Parte I) Prof. Eduardo Raul Hruschka PPG-CCMC / ICMC / USP Créditos O material a seguir consiste de adaptações e etensões dos originais: Elaborados
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisAbordagens AGRUPAMENTO ( CLUSTERING ) K-means clustering. Exemplo
AGRUPAMENTO ( CLUSTERING ) Obectvo genérco: dado um conunto de nstâncas de treno, sem nformação fornecda sobre a classe ou categora a que pertencem, determnar um conunto de classes que permta organzar
Leia maisInstituto de Matemática e Estatística
IME Unversdade de São Paulo Insttuto de Matemátca e Estatístca Curso de Inverno Reconhecmento de Padrões Reconhecmento de Padrões Detecção da ocorrênca de obetos cuos descrtores seam guas, dentro de uma
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma magem dgtal r é a função f(r) aplcada a todo pxel
Leia maisU N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA
U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A CLASSIFICAÇÃO DE MONOGRAFIAS UMA PROPOSTA PARA MAIOR OBJECTIVIDADE ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisMétodos de Ordenação Parte 1
Métodos de Ordenação Parte 1 Introdução à Cênca da Computação II Prof. Dego Raphael Amanco Baseado no materal dos Profs. Rudne Goularte e Thago A. S. Pardo O Problema da Ordenação Ordenação (ou classfcação)
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Motivação (PCA) Redes Neurais para PCA. Motivação para PCA Redes Neurais para PCA
Introdução a Ssteas Intelgentes Tópcos e Redes Neuras I: Aprendzado Hebbano de Rede Auto-Organzada para Análse de Coponentes Prncpas (PCA) Aula de Hoje otvação para PCA Algorto Hebbano Eeplos Eeplo pedagógco
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisCap. 5 Classificação Temática
Prncípos e Aplcações da Deteção Remota Cap. 5 Classfcação Temátca 5.1 O Processo de Classfcação 5. Classfcação de Máxma Verosmlhança (supervsonada paramétrca) 5..1 Classes multvaradas normas 5.. Lmtes
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisÍndice. Exemplo de minimização de estados mais complexo. estados
Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações
Leia maisEDWIN RAFAEL VILLANUEVA TALAVERA MÉTODOS BAYESIANOS APLICADOS EM TAXONOMIA MOLECULAR ORIENTADOR: Prof. Dr. Carlos Dias Maciel
EDWIN RAFAEL VILLANUEVA TALAVERA MÉTODOS BAYESIANOS APLICADOS EM TAXONOMIA MOLECULAR Dssertação apresentada à Escola de Engenhara de São Carlos da Unversdade de São Paulo, como parte dos requstos para
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisMÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL
CIRCUITOS ELÉTRICOS Método de Análse: Análse Nodal Dscplna: CIRCUITOS ELÉTRICOS Professor: Dr Marcos Antôno de Sousa Tópco MÉTODOS DE ANÁLISE DE CIRCUITOS RESISTIVOS ANÁLISE NODAL Referênca bbloráfca básca:
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisAnálise de Agrupamentos (Clusters) Marcelo Lauretto
Anáse de Agrupamentos (Custers) Marceo Lauretto Introdução Anáse de Agrupamentos (Custer Anayss) é um conunto de técncas com o obetvo prncpa de dentfcar obetos/entdades com característcas smares. Obetvo:
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisInvestigação Sobre Robustez de Comunidades em Redes
Investgação Sobre Robustez de Comundades em Redes Vnícus da F. Vera, Vtor E. do Carmo, Carolna R. Xaver, Alexandre G. Evsukoff and Nelson F. F. Ebecken UFSJ - Unversdade Federal de São João del Re São
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisCLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS
CLUSTERIZAÇÃO AUTOMÁTICA NA REDUÇÃO DA DIMENSIONALIDADE DOS DADOS Éldman de Olvera Nunes Escola de Admnstração do Exércto Rua Terrtóro do Amapá, 455, 41.540-830, Salvador, BA, Brasl eldman.nunes@gmal.com
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisUm Algoritmo Evolutivo com Reconexão de Caminhos para o Problema de Clusterização Automática
Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research Um Algortmo Evolutvo com Reconexão de amnhos para o Problema de lusterzação Automátca Stêno
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisINTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs
INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. rova /7/2006 rofa. Ana Mara Faras Turma A 4-6 hs. Consdere os dados da tabela abaxo, onde temos preços e uantdades utlzadas de materal de escrtóro. Item Undade reço
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia mais2. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO
Materal elaborado por Mara Tereznha Marott, Rodrgo Coral e Carla Regna Kuss Ferrera Atualzado por Mlton Procópo de Borba. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO Para melhor caracterzar um conjunto
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisResponda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.
Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisUm estudo sobre algoritmos adaptativos de segmentação de background para sistemas de vigilância
Um estudo sobre algortmos adaptatvos de segmentação de background para sstemas de vglânca Leonardo Ronald Pern Rauta, Anta Mara da Rocha Fernandes Laboratóro de Intelgênca Aplcada Unversdade do Vale do
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia maisPROPOSTA DE UM MÉTODO DE CLASSIFICAÇÃO BASEADO EM DENSIDADE PARA A DETERMINAÇÃO DO NÚMERO IDEAL DE GRUPOS EM PROBLEMAS DE CLUSTERIZAÇÃO
PROPOSTA DE UM MÉTODO DE CLASSIFICAÇÃO BASEADO EM DENSIDADE PARA A DETERMINAÇÃO DO NÚMERO IDEAL DE GRUPOS EM PROBLEMAS DE CLUSTERIZAÇÃO Gustavo Slva Semaan 1, Marcelo Db Cruz 2, José André de Moura Brto
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisMedidas e resultados em um experimento.
Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ ERRO DE DIAGNÓSTICO EM AMOSTRAGEM ZERO-DEFEITOS COM RETIFICAÇÃO: DETERMINAÇÃO DO TAMANHO ÓTIMO DE INSPEÇÃO Roberto da
Leia mais3 AGRUPAMENTO E CLASSIFICAÇÃO POR TÉCNICAS INTELIGENTES
36 3 AGRUPAMENTO E CLASSIFICAÇÃO POR TÉCNICAS INTELIGENTES 3.1 INTRODUÇÃO Nas seções seguntes (3.2 e 3.3) são ntroduzdos os modelos de categorzação e Neuro-Fuzzy que são a base dos módulos do Sstema de
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisAjuste de Curvas Regressão. Computação 2º Semestre 2016/2017
Ajuste de Curvas Regressão Computação 2º Semestre 2016/2017 Ajuste de Curvas Quando apenas sabemos alguns valores de uma função contínua e queremos estmar outros valores ntermédos Quando queremos obter
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisO MMD se baseia no sistema no sistema linearizado das equações de fluxo de potência, ou seja: Δ (4.1)
4 Método da Matrz D Neste capítulo será apresentada uma descrção do MMD [Prada, 99], [Prada, ]. Este método será usado para dentfcar casos de nstabldade de tensão causados pela perda de controlabldade.
Leia maisCurvas Horizontais e Verticais
Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia mais