Algoritmos de Agrupamento

Prévia do material em texto

Tema 46: Algoritmos de Agrupamento (Clustering) 
Agrupamento (Clustering) é uma técnica de aprendizado não supervisionado onde o objetivo é 
agrupar dados em clusters ou grupos de objetos semelhantes. Diferentemente da classificação, 
onde as classes são conhecidas de antemão, no agrupamento os dados são analisados e 
agrupados com base em semelhanças internas. 
Principais Algoritmos de AgrupamentoK-Means: O K-Means é um dos algoritmos de 
agrupamento mais populares. Ele funciona em três etapas principais: 
o Inicialização: Seleciona aleatoriamente K centros de clusters. 
o Atribuição: Atribui cada ponto de dados ao centro de cluster mais próximo. 
o Atualização: Recalcula os centros de clusters, tomando a média de todos os 
pontos atribuídos a cada cluster. O processo é repetido até que os centros de 
clusters não mudem mais significativamente. 
O número de clusters K deve ser pré-definido, o que pode ser uma limitação. Para 
ajudar a escolher o valor de K, é comum usar o Método do Cotovelo, que busca o 
ponto onde a soma dos erros quadráticos diminui drasticamente. 
2. DBSCAN (Density-Based Spatial Clustering of Applications with Noise): O 
DBSCAN é um algoritmo de agrupamento baseado em densidade, que pode identificar 
clusters de formas arbitrárias e também detecta pontos de ruído (outliers). Ele se baseia 
em dois parâmetros principais: 
o ε (epsilon): Distância máxima entre dois pontos para que eles pertençam ao 
mesmo cluster. 
o MinPts: Número mínimo de pontos necessários para formar um cluster. 
Uma das principais vantagens do DBSCAN é que ele não exige que o número de 
clusters seja especificado, como acontece no K-Means. 
3. Hierarchical Clustering: O Agrupamento Hierárquico cria uma hierarquia de 
clusters, que pode ser representada em um dendrograma (árvore). Existem duas 
abordagens principais:Aglomerativo: Começa com cada ponto de dados como seu 
próprio cluster e vai fundindo os clusters mais próximos.Divisivo: Começa com todos 
os pontos no mesmo cluster e divide recursivamente o cluster até que cada ponto seja 
seu próprio cluster.O agrupamento hierárquico é útil quando é necessário visualizar 
como os clusters se relacionam entre si e tem a vantagem de não exigir a definição 
prévia do número de clusters.Questões de Alternativas - Tema 46: Algoritmos de 
Agrupamento Qual das alternativas abaixo descreve uma característica do 
algoritmo DBSCAN? 
• a) X Identifica clusters com base na densidade dos pontos e pode detectar ruídos. 
• b) O número de clusters deve ser predefinido pelo usuário. 
• c) Utiliza o método do cotovelo para determinar o número de clusters. 
• d) Sempre assume que os clusters têm formas esféricas. 
2. Qual é uma limitação do algoritmo K-Means? 
• a) Ele não consegue identificar ruídos no conjunto de dados. 
• b) X O número de clusters (K) precisa ser predefinido. 
• c) Não é adequado para dados de alta dimensionalidade. 
• d) Ele não pode ser usado em dados numéricos.