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 |
|