Escolar Documentos
Profissional Documentos
Cultura Documentos
Versao finalTRABALHO PRATICO2
Versao finalTRABALHO PRATICO2
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
imagem1
Autoria: matlab
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
4
3. ANEXO
>> whos
Name Size Bytes Class Attributes
>> A= iris1'
Unrecognized function or variable 'iris1'.
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
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
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
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
67 67 63 65 62 59
33 30 25 30 34 30
57 52 50 52 54 51
25 23 19 20 23 18
ans =
4.2473e-13
Aux =
Columns 1 through 10
Columns 11 through 20
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
Columns 41 through 50
Columns 51 through 60
Columns 61 through 70
Columns 71 through 80
Columns 81 through 90
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
>> x = Aux(1,:)
x=
Columns 1 through 10
8
Columns 11 through 20
Columns 21 through 30
Columns 31 through 40
Columns 41 through 50
Columns 51 through 60
Columns 61 through 70
Columns 71 through 80
Columns 81 through 90
9
-97.0947 -81.2015 -106.2127 -85.7441 -95.6363 -100.0482 -84.8596 -85.3811 -90.9707 -
97.9266
>> y=Aux(2,:)
y=
Columns 1 through 10
Columns 11 through 20
Columns 21 through 30
Columns 31 through 40
Columns 41 through 50
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
10
-5.4408 -3.6536 -1.7477 -0.0172 -3.5370 -1.2718 -2.1614 -1.4412 3.1403 -1.9974
>> plot(x,y,'or')
hold on
plot (x(1:50),y(1:50),'*b')
hold on
plot(x,y,'or')
11