UNIDADE 4 - PRATIQUE E COMPARTILHE

Prévia do material em texto

UNP - UNIVERSIDADE POTIGUAR 
BACHARELADO EM ESTATÍSTICA 
DISCIPLINA: MINERAÇÃO DE DADOS 
UNIDADE 4 - ALGORITMOS DE AGRUPAMENTO E DE ASSOCIAÇÃO 
AUTOR: ESP. WESLEY SOARES DE SOUZA 
REVISOR: BRUNO ROBERTO NEPOMUCENO MATHEUS 
 
 
 
 
 
 
 
Atividade 4 (PRATIQUE E COMPARTILHE) 
apresentada ao curso bacharelado em 
Estatística, ofertado pela Universidade 
Potiguar, como requisito complementar para a 
quarta avaliação da disciplina Mineração de 
Dados – Unidade 4 - Algoritmos de 
Agrupamento e de Associação. 
Autor: Esp. Wesley Soares de Souza 
Revisor: Bruno Roberto Nepomuceno Matheus 
 
 
 
 
 
 
 
 
 
ALUNO: EBERSON COSTA – MATRÍCULA 2020201380 
BENEVIDES – PARÁ 
2021 
MINERAÇÃO DE DADOS 
UNIDADE 4 
ALGORITMOS DE AGRUPAMENTO E DE ASSOCIAÇÃO 
PRATIQUE E COMPARTILHE 
 
 
PLANEJAMENTO DE AMOSTRAGENS, VÍCIOS DE AMOSTRAGENS, BIG DATA 
 
Vamos Praticar 
Levando em consideração o estudo citado, observa-se que alguns métodos são 
coincidentes no sentido de trazerem resultados semelhantes, explique o fato e como 
podemos evitar tal situação quando desenvolvemos um projeto. 
Ao final disponibilize seu trabalho no fórum da seção. 
 
Conforme se viu os algoritmos utilizados foram os Métodos, da Ligação Simples, da 
Ligação Completa, da Centróide, da Mediana, das Médias das Distâncias e de Ward. 
Logo, os resultados obtidos na utilização dos métodos, se assemelharam ao nível de 
significância, sendo relativamente alto, concluindo-se que qualquer algoritmo de 
agrupamento estudado, se encontrou estabilizado e de fato os indivíduos existentes 
se equipararam conforme o demonstrado. 
Observou-se também que com exceção dos métodos centróide e Ward e os 
métodos do centróide e mediana, os outros foram coincidentes comparados com 
Ward, levando-se em consideração a matriz de Mahalanobis, com dados originais e 
‘bootstrap’. 
Esse fato se evidencia porque a análise associativa consiste em mostrar em quais 
condições ocorrem frequentemente juntas os determinados conjuntos de dados. 
Sua premissa básica é encontrar elementos que implicam na presença de outros 
(elementos) em uma mesma transação, pois o agrupamento é a forma de segmentar 
as populações heterogêneas em subgrupos homogêneos. 
Deduz-se, que para se evitar tal situação, a saída é a utilização da classificação e 
predição, que analisam objetos com classes rotuladas, onde o agrupamento ou 
clustering analisa objetos cujos rótulos de classes são desconhecidas. 
 
 
REFERÊNCIAS 
 
ALBUQUERQUE, M.A.; FERREIRA, R.L.C.; SILVA, J.A.A.; SANTOS, E.S.;STOSIC, 
B.;SOUZA, A.L.; Estabilidade em Análise de Agrupamento: Estudo de Caso em 
Ciência Florestal. Sociedade de Investigações Florestais, UFRPE:Viçosa. 
2006.Disponíveloem:o<http://www.scielo.br/scielo.php?pid=S0100o67622006000200
013&script=sci_abstract&tlng=pt> Acesso em: 31 Dez. 2019. 
 
JOHNSON, R. A.; WICHERN, D. W. Applied multivariate statistical analysis. 3.ed. 
New Jersey: Prantice Hall, 1992. 642p. 
 
MARDIA, A.K.V.; KENT, J.T.; BIBBY, J.M. Multivariate analysis. 
London:Academic.Press, 1997. 518p. 
 
PETERMANN, R.J.; Modelo de Mineração de Dados para Classificação de 
Clientes em Telecomunicações. Tese de Mestrado. PPGE-UFRS:Porto 
Alegre.2006. 
 
VASCONCELOS, L.M.R.; CARVALHO, C.L.; Aplicação de Regras de Associação 
para Mineração de Dados na Web. Relatório Técnico. UFG:Goiás. 2004.