Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/2149
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | BIANCHESI, Natália Maria Puggina | - |
dc.date.issued | 2020-02-14 | - |
dc.identifier.citation | BIANCHESI, Natália Maria Puggina. Estudo comparativo entre métodos de agrupamento clássicos e redes neurais artificiais através de planejamento de experimento. 2020. 84 f. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de Itajubá, Itajubá, 2020. | pt_BR |
dc.identifier.uri | https://repositorio.unifei.edu.br/jspui/handle/123456789/2149 | - |
dc.description.abstract | A análise de cluster é uma técnica de mineração de dados multivariada amplamente usada em diversas áreas. Destina-se a agrupar automaticamente os n elementos da base de dados em k clusters, utilizando-se apenas das informações das variáveis de cada caso. No entanto, a precisão dos agrupamentos finais depende do método de clustering utilizado. Neste artigo, apresenta-se uma avaliação do desempenho dos principais métodos de análise de cluster: Ward, K-means e Self-Organizing Maps. Diferentemente de muitos estudos publicados na área, os conjuntos de dados foram gerados através de um Planejamento de Experimentos (DOE), de modo a simular diferentes estruturas de dados possíveis. Considerou-se o número de variáveis, número de clusters, tamanho da amostra, partição dos clusters, sobreposição dos clusters, e a presença de outliers, como os fatores do DOE. Os conjuntos de dados foram analisados por cada método de clustering e suas partições finais foram comparadas através do Attribute Agreement Analysis. Os resultados mostraram que o número de clusters, a sobreposição, e a interação entre o número de variáveis e o tamanho da amostra afetam significativamente todos os métodos estudados. Além disso, é possível afirmar que os métodos estudados não apresentam diferenças estatisticamente significativas, com um nível de significância de 5%, e não é possível classifica-los por desempenho. | pt_BR |
dc.language.iso | pt_BR | pt_BR |
dc.title | Estudo comparativo entre métodos de agrupamento clássicos e redes neurais artificiais através de planejamento de experimento | pt_BR |
dc.type | Dissertação | pt_BR |
dc.place | Itajubá | pt_BR |
dc.pages | 84 p. | pt_BR |
dc.keywords.portuguese | Métodos de clustering | pt_BR |
dc.keywords.portuguese | K-means | pt_BR |
dc.keywords.portuguese | Self-organizing maps | pt_BR |
dc.keywords.portuguese | Ward | pt_BR |
dc.keywords.english | Clustering methods | pt_BR |
dc.keywords.english | K-means | pt_BR |
dc.keywords.english | Self-organizing maps | pt_BR |
dc.keywords.english | Ward | pt_BR |
dc.orientador.principal | BALESTRASSI, Pedro Paulo | - |
dc.place.presentation | UNIFEI - Universidade Federal de Itajubá | pt_BR |
dc.pg.programa | Engenharia de Produção | pt_BR |
dc.pg.area | CNPQ::Engenharia da Produção | pt_BR |
dc.pg.linha | Engenharia da Produção - Planejamento e controle | pt_BR |
dc.date.available | 2020-03-13T16:16:15Z | - |
dc.date.accessioned | 2020-03-13T16:16:15Z | - |
dc.publisher.department | IEPG - Instituto de Engenharia de Produção e Gestão | - |
dc.publisher.program | Programa de Pós-Graduação: Mestrado - Engenharia de Produção | - |
Aparece nas coleções: | Dissertações |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação_2020047.pdf | 2,09 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.