Você está na página 1de 12

UNIVERSIDADE FEDERAL DE MINAS GERAIS

Proposta de interpretação para o trabalho de Calculo


Numérico no que tange ao câncer iris e Wine

Aluno: Thiago Henrique de Souza Melo

ANALISE MATRICIAL DO CÂNCER WISCONSIN

Março 2021
1. INTRODUÇÃO

O objetivo do trabalho é colocar em prática o que foi estudado durante a matéria de calculo
numérico, além disso para fins de divertimento do autor enquanto realiza o trabalho, fazer
observações de âmbito ontológico. Uma matriz é um sistema, para tudo que existe ou é um
sistema ou um componente de um sistema. Uma matriz é um exemplo formal para tal
postulado. E como sistema pode ser decomposto em partes, partes que dentro da literatura
chamamos de indivíduos. Esses indivíduos são diferenciados um dos outros e podem até
mesmo interagir com outros indivíduos. Cabe lembrar que igualdade só existe em sistemas
formais, as coisas no mundo elas podem ser verificadas em questão de semelhança e
diferença. Essas decomposições são escaláveis, na qual todas as pessoas que mexem com
mineração de dados se deparam. A irís, é um exemplo mais referenciado dentro da literatura de
mineração de dados. A partir deste trabalho, a mineração de dados foi desenvolvidas. E
estamos analisando isso dentro da Algebra Linear. O interessante é que isso está ligado com a
historia da internet. Que é um sistema que barateia os custos de informação. A matriz usual na
mineração de dados é um sistema que tem muita linha e poucas colunas. Dessa forma
sugerimos um repositório archive.ics.uci.edu/ml na qual disponibilizamos os dados do modelos.
Queremos saber que tipo indivíduo iris temos baseados em 4 atributos numéricos. Individualiza
as iris do sistema. A característica do site tem características da internet antes da Web2.0. E ao
baixar a matriz aparece um monte de números que ao importar no MATLAB iremos selecionar
as características do indivíduo Iris Setosa.

1
2. INPUT E OUTPUT

O presente trabalho da matéria de calculo numérico propõe uma investigação de uma


matriz 150x4 na qual chamamos de A, sabemos que os 50 primeiros elementos são um tipo de
indivíduos da sequencia 51 a 100 são outros tipos de indivíduos, e da sequencia de 101 até
150 temos uma terceira categoria de indivíduos. E queremos saber quais indivíduos é uma iris
Setosa. Essa verificação será feito pelo Matilab. Após a matriz ser anexada ao programa
matlab, iremos decompor o sistema para verificar suas partes pelo mecanismo [U, S, V] = svd
(A); Norm (A – U*S*V’) Ao fazer isso transformamos a matriz A num produto de 3 outras
matrizes. Dando o resultado ANS que é = 4,3480e-13 o que implica que a decomposição deu
certo. Por que fazer esta decomposição? A decomposição é necessária para podermos
enxergar o que se tem de semelhante e diferente no sistema ou seja na matriz. E a matriz U
são os auto vetores de A’ * A cujo o resultado é uma matriz 4*4 o que é uma medida de
relacionamento, que é dado pela métrica coseno. O que estamos fazendo dessa forma é tirar
detalhes pra verificar a diferença. Pois queremos que coisas parecidas fiquem muito parecidas.

imagem1

Autoria: matlab

Agora iremos colocar um atributo para distinguir um indivíduo de outro indivíduo. No


caso queremos saber quem é a Iris Setosa desta população. Desta forma iremos plotar
o gráfico, que representa os 50 primeiros da minha matriz 150x4. Então executei o
seguinte comando plot(x(1:50), y(1:50), ‘*b’) a ultima parte do comando representa o
simbolo e a cor.

2
Imagem:2 Iris Setosa

Autoria: Matlab

conseguimos verificar a iris setosa vamos segurar o gráfico pelo Hold on e plotamos o
gráfico, e ao fazer isto vamos separar ela do resto, projetando os 4 atributos no conjunto e
verificamos quem está mais próximos verificando assim um método de mineração de dados. E
desta forma temos um classificador e este classificador verifica as semelhanças e diferenças
de um indivíduo.

3
Imagem3

CONCLUSÃO

Partimos de um principio ontológico na qual, para tudo que existe é um sistema ou um


componente de um sistema. Porém, para diferenciarmos um indivíduo de outros indivíduos
verificando as propriedades de semelhança e diferença através do Mathlab. Essa
decomposição que nos permite individualizar as partes verificando as propriedades do
sistemas que são muito iguais, conseguimos assim uma maneira de classificar que é comum
na mineração de dados.

4
3. ANEXO

>> whos
Name Size Bytes Class Attributes

A 4x150 4800 double


iris 150x4 4800 double

>> A= iris1'
Unrecognized function or variable 'iris1'.

Did you mean:


>> A= iris'

A=

Columns 1 through 16

51 49 47 46 50 54 46 50 44 49 54 48 48 43 58 57
35 30 32 31 36 39 34 34 29 31 37 34 30 30 40 44
14 14 13 15 14 17 14 15 14 15 15 16 14 11 12 15
2 2 2 2 2 4 3 2 2 1 2 2 1 1 2 4

Columns 17 through 32

54 51 57 51 54 51 46 51 48 50 50 52 52 47 48 54
39 35 38 38 34 37 36 33 34 30 34 35 34 32 31 34
13 14 17 15 17 15 10 17 19 16 16 15 14 16 16 15
4 3 3 3 2 4 2 5 2 2 4 2 2 2 2 4

Columns 33 through 48

52 55 49 50 55 49 44 51 50 45 44 50 51 48 51 46
41 42 31 32 35 31 30 34 35 23 32 35 38 30 38 32
15 14 15 12 13 15 13 15 13 13 13 16 19 14 16 14
1 2 1 2 2 1 2 2 3 3 2 6 4 3 2 2

Columns 49 through 64

53 50 70 64 69 55 65 57 63 49 66 52 50 59 60 61
37 33 32 32 31 23 28 28 33 24 29 27 20 30 22 29
15 14 47 45 49 40 46 45 47 33 46 39 35 42 40 47
2 2 14 15 15 13 15 13 16 10 13 14 10 15 10 14

Columns 65 through 80

56 67 56 58 62 56 59 61 63 61 64 66 68 67 60 57
29 31 30 27 22 25 32 28 25 28 29 30 28 30 29 26
36 44 45 41 45 39 48 40 49 47 43 44 48 50 45 35
13 14 15 10 15 11 18 13 15 12 13 14 14 17 15 10

Columns 81 through 96

55 55 58 60 54 60 67 63 56 55 55 61 58 50 56 57
24 24 27 27 30 34 31 23 30 25 26 30 26 23 27 30
38 37 39 51 45 45 47 44 41 40 44 46 40 33 42 42
11 10 12 16 15 16 15 13 13 13 12 14 12 10 13 12

Columns 97 through 112

5
57 62 51 57 63 58 71 63 65 76 49 73 67 72 65 64
29 29 25 28 33 27 30 29 30 30 25 29 25 36 32 27
42 43 30 41 60 51 59 56 58 66 45 63 58 61 51 53
13 13 11 13 25 19 21 18 22 21 17 18 18 25 20 19

Columns 113 through 128

68 57 58 64 65 77 77 60 69 56 77 63 67 72 62 61
30 25 28 32 30 38 26 22 32 28 28 27 33 32 28 30
55 50 51 53 55 67 69 50 57 49 67 49 57 60 48 49
21 20 24 23 18 22 23 15 23 20 20 18 21 18 18 18

Columns 129 through 144

64 72 74 79 64 63 61 77 63 64 60 69 67 69 58 68
28 30 28 38 28 28 26 30 34 31 30 31 31 31 27 32
56 58 61 64 56 51 56 61 56 55 48 54 56 51 51 59
21 16 19 20 22 15 14 23 24 18 18 21 24 23 19 23

Columns 145 through 150

67 67 63 65 62 59
33 30 25 30 34 30
57 52 50 52 54 51
25 23 19 20 23 18

>> [U,S,V]=svd (A);


>> norm(A-U*S*V')

ans =

4.2473e-13

>> Aux= S*V'

Aux =

Columns 1 through 10

-59.1220 -55.7208 -54.4648 -54.3602 -58.7507 -64.7699 -55.1543 -58.5042 -51.5851 -


56.4458
23.0344 19.7383 20.9653 18.7168 23.2935 23.2553 20.7156 21.4948 17.7643
19.9191
-0.0019 2.3743 0.0802 0.1463 -1.1764 -2.4485 -2.3643 0.1189 0.5522 2.1849
0.0199 0.9792 0.1706 -0.7932 -0.6248 -0.2390 -0.5271 -0.4631 -0.3168 -0.5718

Columns 11 through 20

-62.6483 -57.5150 -54.8017 -49.5064 -65.2529 -67.8960 -62.7173 -59.2899 -66.4757 -


60.9424
24.2728 20.2142 19.7972 20.4948 29.1775 28.2550 26.0909 22.6897 23.9126
23.6154
0.0916 -0.9346 2.4152 0.0823 0.2283 -4.2159 -2.2296 -0.5422 0.2651 -2.6220
-0.1330 -1.5908 -0.0933 -0.2682 1.6394 0.0867 1.6841 0.7689 0.3036 -0.6756

Columns 21 through 30

6
-62.5352 -60.7305 -53.6934 -60.4055 -59.0545 -57.4982 -59.3531 -60.3864 -59.4934 -
56.0043
21.2203 22.7258 24.9858 18.7837 18.0875 18.6063 20.0964 22.6114 22.7754
18.8386
2.0072 -2.4873 -2.9552 -0.4369 -1.0988 2.7643 -1.0164 0.4428 1.1725 -0.0840
-0.1308 0.3947 0.0045 1.4671 -3.0331 0.3411 0.5542 -0.1374 0.6646 -1.2718

Columns 31 through 40

-56.3757 -61.8447 -62.4972 -64.7852 -56.4458 -56.2052 -61.6136 -56.4458 -51.4518 -


59.2554
18.5796 21.9486 26.2255 27.9920 19.9191 22.5317 24.8866 19.9191 19.0181
21.7806
1.0905 1.0360 -3.0671 -2.7294 2.1849 1.6332 2.0505 2.1849 -0.0681 0.6184
-0.6271 2.3288 -2.8139 -0.9350 -0.5718 1.6217 1.7945 -0.5718 -0.1573 -0.1396

Columns 41 through 50

-58.0256 -49.7123 -52.2113 -60.0687 -63.1629 -55.1375 -61.2877 -54.2268 -61.8971 -


57.6113
23.1127 15.1449 20.1078 19.9518 20.4351 19.1077 23.2513 19.9706 23.9870
21.6588
-0.9869 4.6162 -1.4181 -2.7720 -3.3812 1.3346 -2.1365 -0.4740 -0.4079 0.8487
0.9262 3.1639 -0.7998 1.7310 -1.8497 1.4048 -1.9054 -0.6337 -0.4565 0.3389

Columns 51 through 60

-91.2034 -85.8380 -91.2666 -72.7578 -85.5831 -78.7249 -86.6608 -64.5349 -86.3783 -


71.6782
-0.7002 -1.3422 -3.2935 -4.5846 -3.9448 -4.8330 -2.8457 0.2418 -2.4246 -2.8984
3.2228 -0.2046 2.7487 2.7301 2.9403 0.0802 -2.0287 1.0624 3.8452 -1.9539
0.2520 0.0218 0.0372 0.9077 1.1495 -2.4554 -0.8354 -0.2359 -0.3464 -0.1178

Columns 61 through 70

-64.7932 -79.7831 -75.6303 -83.3035 -73.7351 -87.0307 -79.0690 -76.5400 -80.5377 -


73.4197
-3.0697 -1.7344 -2.6661 -4.9074 1.8061 0.0241 -4.7186 -1.2222 -7.3627 -1.8106
4.1525 -1.1875 7.5231 0.7531 -0.6018 2.5638 -2.8499 3.0944 5.5468 3.0147
0.4110 0.4893 0.5992 -1.6954 1.2268 1.0452 -1.9233 -2.1347 2.5873 -0.4286

Columns 71 through 80

-84.1252 -79.1638 -84.4809 -82.5880 -83.3365 -85.8997 -88.6951 -90.2334 -81.6939 -


72.3302
-5.9323 -0.1452 -8.2778 -4.7627 -0.8695 -0.8066 -4.1603 -5.8085 -4.1202 2.2005
-4.4867 2.3515 3.8023 2.5087 3.0106 2.7394 4.8694 1.2896 -0.1772 3.5983
-0.7907 1.2422 0.0240 -2.8722 0.4490 1.0430 0.4093 0.7288 -0.3083 0.7477

Columns 81 through 90

-71.7756 -71.0945 -75.8495 -84.1811 -77.5667 -83.7607 -88.7380 -80.8198 -76.6807 -


73.5174
-1.9324 -0.8788 -0.4939 -9.8081 -5.2903 -1.7405 -2.4474 -5.1336 -1.1935 -3.4949
3.2451 3.8401 2.1232 0.3043 -3.8487 -4.0926 1.8593 6.5066 -1.5504 1.3800
0.0500 -0.2183 0.3249 -1.8014 -2.5703 -1.1655 0.3519 1.5723 -1.4983 0.2652

Columns 91 through 100

7
-75.7819 -83.1702 -75.9828 -64.9063 -76.0545 -77.7771 -77.5652 -81.8342 -65.0455 -
76.6723
-5.4408 -3.6536 -1.7477 -0.0172 -3.5370 -1.2718 -2.1614 -1.4412 3.1403 -1.9974
1.0264 0.1328 2.7435 2.2369 0.4199 -0.5654 -0.4307 2.0117 1.0101 0.2991
-2.7281 -1.5359 0.1653 0.4088 -1.0153 -2.4046 -1.3344 -0.1979 2.2811 -0.5323

Columns 101 through 110

-94.8426 -83.1824 -98.5280 -90.0957 -93.6757 -105.8759 -72.2477 -101.1995 -92.6076 -


103.2557
-15.1642 -11.4140 -12.4243 -12.0948 -13.7751 -15.9574 -10.1334 -14.1988 -14.5489 -
11.6659
-7.6028 -2.3155 0.6336 -0.9017 -2.8485 2.7477 -4.0513 3.7095 3.6866 -5.1878
-0.3443 -0.2013 0.6918 -2.3794 -0.0192 -1.0564 -1.0833 -2.5102 -0.7621 1.1223

Columns 111 through 120

-90.5074 -88.7157 -94.2218 -81.3264 -84.4016 -91.2862 -91.4647 -110.3464 -106.9831 -


81.6012
-7.0335 -11.1168 -10.4462 -12.4255 -12.5929 -9.7714 -10.2694 -12.3661 -20.6673 -
11.4789
-2.7349 0.5716 -0.6458 -1.9504 -5.6920 -4.9647 -0.5232 -2.7481 4.7024 4.2744
1.2057 0.7779 1.6445 1.3476 3.2226 2.1678 -1.5729 -3.0346 0.6078 -0.4635

Columns 121 through 130

-97.0947 -81.2015 -106.2127 -85.7441 -95.6363 -100.0482 -84.8596 -85.3811 -90.9707 -


97.9266
-11.1779 -10.3678 -17.1255 -8.2223 -10.5151 -10.7233 -7.2544 -7.1593 -13.3882 -
9.7057
-2.6865 -4.4202 5.0827 0.8314 -3.2797 1.3491 -0.2884 -2.1926 -1.3482 3.8892
1.8620 0.5412 -1.3202 1.6285 -0.6042 -2.3551 1.4646 0.0179 0.5124 -2.2491

Columns 131 through 140

-100.7124 -109.9735 -91.1386 -86.6465 -86.7825 -104.3970 -93.0019 -91.0933 -84.1168 -


94.8397
-13.3848 -8.9782 -13.7329 -8.0609 -12.9221 -12.8166 -11.4389 -10.0103 -6.7362 -
8.9065
4.4531 -0.5045 -1.8885 1.6678 2.2857 2.4401 -7.5186 -1.6976 -2.6373 -0.7667
-0.1550 -2.4434 1.2614 -1.9013 -5.0586 3.1690 0.5086 -2.2176 0.1752 2.1275

Columns 141 through 150

-94.8673 -93.6360 -83.1824 -97.3698 -96.3079 -92.2670 -85.6656 -90.2610 -91.0566 -


84.9051
-11.9303 -7.4694 -11.4140 -12.8815 -11.8942 -9.2948 -10.3658 -8.8322 -9.9622 -
9.1488
-3.4959 -1.6831 -2.3155 -3.2953 -5.4409 -2.0617 1.5864 -1.4396 -7.3683 -3.3008
2.7661 5.0679 -0.2013 0.5770 2.3919 4.2614 2.5393 1.3674 0.3976 -1.5906

>> x = Aux(1,:)

x=

Columns 1 through 10

-59.1220 -55.7208 -54.4648 -54.3602 -58.7507 -64.7699 -55.1543 -58.5042 -51.5851 -


56.4458

8
Columns 11 through 20

-62.6483 -57.5150 -54.8017 -49.5064 -65.2529 -67.8960 -62.7173 -59.2899 -66.4757 -


60.9424

Columns 21 through 30

-62.5352 -60.7305 -53.6934 -60.4055 -59.0545 -57.4982 -59.3531 -60.3864 -59.4934 -


56.0043

Columns 31 through 40

-56.3757 -61.8447 -62.4972 -64.7852 -56.4458 -56.2052 -61.6136 -56.4458 -51.4518 -


59.2554

Columns 41 through 50

-58.0256 -49.7123 -52.2113 -60.0687 -63.1629 -55.1375 -61.2877 -54.2268 -61.8971 -


57.6113

Columns 51 through 60

-91.2034 -85.8380 -91.2666 -72.7578 -85.5831 -78.7249 -86.6608 -64.5349 -86.3783 -


71.6782

Columns 61 through 70

-64.7932 -79.7831 -75.6303 -83.3035 -73.7351 -87.0307 -79.0690 -76.5400 -80.5377 -


73.4197

Columns 71 through 80

-84.1252 -79.1638 -84.4809 -82.5880 -83.3365 -85.8997 -88.6951 -90.2334 -81.6939 -


72.3302

Columns 81 through 90

-71.7756 -71.0945 -75.8495 -84.1811 -77.5667 -83.7607 -88.7380 -80.8198 -76.6807 -


73.5174

Columns 91 through 100

-75.7819 -83.1702 -75.9828 -64.9063 -76.0545 -77.7771 -77.5652 -81.8342 -65.0455 -


76.6723

Columns 101 through 110

-94.8426 -83.1824 -98.5280 -90.0957 -93.6757 -105.8759 -72.2477 -101.1995 -92.6076 -


103.2557

Columns 111 through 120

-90.5074 -88.7157 -94.2218 -81.3264 -84.4016 -91.2862 -91.4647 -110.3464 -106.9831 -


81.6012

Columns 121 through 130

9
-97.0947 -81.2015 -106.2127 -85.7441 -95.6363 -100.0482 -84.8596 -85.3811 -90.9707 -
97.9266

Columns 131 through 140

-100.7124 -109.9735 -91.1386 -86.6465 -86.7825 -104.3970 -93.0019 -91.0933 -84.1168 -


94.8397

Columns 141 through 150

-94.8673 -93.6360 -83.1824 -97.3698 -96.3079 -92.2670 -85.6656 -90.2610 -91.0566 -


84.9051

>> y=Aux(2,:)

y=

Columns 1 through 10

23.0344 19.7383 20.9653 18.7168 23.2935 23.2553 20.7156 21.4948 17.7643


19.9191

Columns 11 through 20

24.2728 20.2142 19.7972 20.4948 29.1775 28.2550 26.0909 22.6897 23.9126


23.6154

Columns 21 through 30

21.2203 22.7258 24.9858 18.7837 18.0875 18.6063 20.0964 22.6114 22.7754


18.8386

Columns 31 through 40

18.5796 21.9486 26.2255 27.9920 19.9191 22.5317 24.8866 19.9191 19.0181


21.7806

Columns 41 through 50

23.1127 15.1449 20.1078 19.9518 20.4351 19.1077 23.2513 19.9706 23.9870


21.6588

Columns 51 through 60

-0.7002 -1.3422 -3.2935 -4.5846 -3.9448 -4.8330 -2.8457 0.2418 -2.4246 -2.8984

Columns 61 through 70

-3.0697 -1.7344 -2.6661 -4.9074 1.8061 0.0241 -4.7186 -1.2222 -7.3627 -1.8106

Columns 71 through 80

-5.9323 -0.1452 -8.2778 -4.7627 -0.8695 -0.8066 -4.1603 -5.8085 -4.1202 2.2005

Columns 81 through 90

-1.9324 -0.8788 -0.4939 -9.8081 -5.2903 -1.7405 -2.4474 -5.1336 -1.1935 -3.4949

Columns 91 through 100

10
-5.4408 -3.6536 -1.7477 -0.0172 -3.5370 -1.2718 -2.1614 -1.4412 3.1403 -1.9974

Columns 101 through 110

-15.1642 -11.4140 -12.4243 -12.0948 -13.7751 -15.9574 -10.1334 -14.1988 -14.5489 -


11.6659

Columns 111 through 120

-7.0335 -11.1168 -10.4462 -12.4255 -12.5929 -9.7714 -10.2694 -12.3661 -20.6673 -


11.4789

Columns 121 through 130

-11.1779 -10.3678 -17.1255 -8.2223 -10.5151 -10.7233 -7.2544 -7.1593 -13.3882 -


9.7057

Columns 131 through 140

-13.3848 -8.9782 -13.7329 -8.0609 -12.9221 -12.8166 -11.4389 -10.0103 -6.7362 -


8.9065

Columns 141 through 150

-11.9303 -7.4694 -11.4140 -12.8815 -11.8942 -9.2948 -10.3658 -8.8322 -9.9622 -


9.1488

>> plot(x,y,'or')
hold on
plot (x(1:50),y(1:50),'*b')

hold on
plot(x,y,'or')

11