ASE 4 - AnÃ¡lise de Clusters

/ DCSPT – Departamento de Ciências Sociais, Políticas e do Território
Análise Social e Económica
Curso de Administração Pública
Análise de Clusters
João Lourenço Marques

José Manuel Martins
1
Até aqui…
Análise de Componentes Principais
Agrega variáveis em que a semelhança é medida pelas

correlações
Agora…
Análise de Clusters
Agrega casos (unidades de análise) em que a semelhança é

medida por distâncias
2
Noção de distância com 1 variável e 4 regiões
Região PIBpc
A 80
B 150
C 125
D 70
Matriz de distâncias económicas

A B C D
A 0
B 70 0
C 45 25 0
D 10 50 55 0
3
Noção de distância com 2 variáveis e 2 regiões …

Y
Região X=PIBpc Y=TX DES
A 80 18
B 150 9
dist AB  ( X 2  X 1 ) 2  (Y2  Y1 ) 2  20 ,15

Y2=18
B
Y1=9 A
…mas há mais formas
de medir distâncias!
X1=80 X2=150 X
4
Um dos problemas das distâncias euclidianas é que são fortemente

influenciadas por valores altos das variáveis:
0,8 unidades
600 unidades
0 1000
A distância euclidiana é: 6002 + 0,82 = 360000 + 0,64
= 600,0007
Quando as variáveis se encontram definidas em diferentes escalas de medida é

necessário fazer uma padronização prévia, senão qualquer medida de distância vai
reflectir o peso das variáveis que apresentam maiores valores e maior dispersão 5
Antes do cálculo de distâncias socio-económicas é conveniente:
1) Reduzir o número de variáveis

torná-las independentes e menos redundantes;
2) Eliminar o efeito dimensão da unidade de análise (região)

usar variáveis relativizadas, ex.: percentagem, em valores per
capita etc.
3) Atribuir a mesma unidade de medida às variáveis

Fazer variar no mesmo intervalo de variação ex.: normalização das
variáveis ou valores z
6
Noção de distância com 2 variáveis e 3 regiões …
Região PIBpc TX DES

A 80 18
B 150 9
C 100 4
Não atribuir a mesma unidade de medida às variáveis dá que …
a variável PIBpc é a dimensão relevante na agregação das unidades de análise

para a definição da matriz de distâncias:
A B C
A 0
B 70,58 0
C 24,41 50,25 0
COMO RESOLVER? 7
Valores z
1. Calcular a média e desvio-padrão
2. Aplicar a seguinte fórmula - subtrair a cada valor a sua média e dividir
pelo desvio-padrão:
Região PIBpc TX DES A B C

A 80 18 A 0
B B 70,58 0
150 9
C 24,41 50,25 0
C 100 4
MÉDIA 110,0 10,3
DESV P 36,1 7,1

A B C
Região PIB TX DES A 0
A -0,83 1,08 B 2,32 0
B 1,11 -0,19 C 2,05 1,56 0
8
C -0,28 -0,89
Calculada a matriz distância
…como definir grupos homogéneos?
Análise de Clusters…
9
Aspectos básicos
Procedimento multivariado para agrupamento ou classificação de

unidades de análise ou de variáveis.
Tenta identificar grupos homogéneos nos dados
(agrupamento de observações de indivíduos baseada na similaridade das suas características)
Semelhante à análise factorial

(identifica grupos de variáveis relacionadas entre si)
10
Reconhecimento de Padrões
Grandes semelhanças intra-grupos
Grandes diferenças inter-grupos
Os grupos obtidos são os mais homogéneos e mais separados possíveis.
De maneira a que indivíduos semelhantes pertençam ao mesmo agrupamento
11
2 clusters 4 clusters 6 clusters

10 10
10
9 9
9
8 8
8
7 7
7
6 6
6
5 5
5
4 4
4
3 3
3
2 2
2
1 1
1
0 0
0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
0 1 2 3 4 5 6 7 8 9 10
12
Principais etapas da formação de agrupamentos
Tabela de Dados 0. Análise Prévia dos Dados
1. Metodologia de Agrupamento
2. Medidas de Distância
3 . Critérios de Agrupamento
4. Interpretação e Validação
13
0. Análise Prévia dos Dados
 Análise descritiva
 Correlação entre variáveis
 Padronização de variáveis
 Aberrantes ou outliers
14
 Se forem consideradas variáveis que estejam correlacionadas entre si,

pode estar-se a sobrevalorizar uma ou outra característica, isto é, a
dar maior importância relativa a essa característica…
 … multicolineariedade pode ser um problema para a análise de clusters!
 … a análise factorial pode resolver este problema desde que seja capaz
de descrever adequadamente a estrutura de informação original!
 Se forem consideradas variáveis com diferentes escalas de medida ou

diferente dispersão, pode estar-se a sobrevalorizar uma ou outra
variável…
 … a análise factorial (feita previamente) também resolve este problema!
 A presença de outliers tem também o potencial para adulterar os resultados

da análise de clusters…
 … a decisão de manter ou retirar os outliers depende de estes serem ou
não representativos de grupos pequenos mas significativos da população.
15
1. Escolha da metodologia de agrupamento
Análise de clusters hierárquica
- aplica-se tanto a casos como a variáveis
Análise K-Means
- aplica-se só casos
16
Análise de clusters hierárquica
Formam-se com base nos pares mais próximos de acordo com

a medida de distância escolhida
Passo-a-passo – junta pares de objectos até formar um só cluster.
Hierárquico - uma vez que estando dois casos juntos, permanecem assim até
ao final das etapas, i.e., os clusters que se vão formando incluem os clusters
já formados
17
As classificações hierárquicas formam uma sequência de agrupamentos

que pode ser visualizada num gráfico esquemático
dendrograma
Mostram com alguma facilidade, o modo

como se efectuam as fusões entre os
grupos, e a que nível de proximidade ou
semelhança elas se efectuam
18
Diagrama de Venn Dendrograma
100
90
K=6 (X1, X2, X3) K=7 (X4, X5, X6, X7,X8) 80
X6
70
X3 X4 2
X2 60
X7 K=5 (X4, X5, X6, X7)
3
4 K=2 (X6, X7) 50
K=4 (X4, X5)
X5 K=3 (X2, X3) 40
X1 5 30
6 X8
7
20
10
K=8 0
A proximidade é dada pela distância vertical entre a base do gráfico, onde estão os nomes, letras
ou números que identificam as unidades de análise, e a barra horizontal da união dos grupos
19
Análise de clusters K-Means
Se o agrupamento é não hierárquico estamos perante uma

partição. Minimiza as variâncias intra-grupos e maximiza as
variâncias inter-grupos
É necessário especificar a priori o valor de k, i.e., o

número de grupos
Não será objecto de grande aprofundamento
20
2. Medida de distância ou de proximidade a usar

é a distância a usar na passagem da matriz de atributos para a
matriz de distância, ou de proximidade
As distâncias são normalmente usadas como medida de semelhança entre

objectos,
uma pequena distância é equivalente a uma grande semelhança

Existem vários métodos para medir distâncias
Distâncias Euclidianas – mensuráveis com uma régua
Distâncias Não-Euclidianas – baseadas em semelhanças
Exemplo: Lisboa – Porto – Espinho ...

21
Distância Euclidiana
É a medida de distância que se utiliza quando se refere a
“distância” na linguagem corrente.
d (i, j)  (| x  x |2  | x  x |2 ... | x  x |2 )
i1 j1 i2 j2 ip jp
Propriedades:
d(i,j) >= 0
d(i,i) = 0
d(i,j) = d(j,i)
d(i,j) <= d(i,k) + d(k,j)
22
Distância de Minkowski
(deriva da Euclidiana)
d (i, j)  q (| x  x |q  | x  x |q ... | x  x | q )
i1 j1 i2 j2 ip jp
Se q = 2, d é a distância Euclidiana
Se q = 1, d é a distância de Manhattan
23
Distância de Manhattan
(também conhecida por distância dos quarteirões ou distância city-block)
Se q = 1
Em muitos casos a distância não pode ser medida directamente

entre dois pontos.
B
Exemplo: ?
A
d(i, j) | x  x | | x  x | ...| x  x |
i1 j1 i2 j2 ip jp
24
O modelo hierárquico no SPSS fornece

35 medidas de semelhança e de proximidade/ distância
Os índices de semelhança mais usados para além das

Medidas de distância
(quadrado da distância Euclidiana; distância de Minkowski; distância de Mahalanobis)
são:
Coeficiente de correlação de Pearson
Coeficientes de associação para dados binários
(ex: Jaccard)
25
A representação dos Dados
Matriz de Dados Matriz de distâncias
 x 11 ... x 1f ... x 1p 
 0 
 
 ... ... ... ... ...   d(2,1) 0 
x  
... x if ... x ip   d(3,1 ) 
 i1  d ( 3,2 ) 0
 ... ... ... ... ...   
x  : : : 
... x nf ... x np   d ( n ,1)
 n1  d ( n ,2 ) ... ... 0 
As funções de proximidade dependem da escala das variáveis:

proporcional, intervalar, ordinal, nominal, binária, mista etc.
26
3. Critério de agrupamento mais adequada

consiste em definir como se mede a distância
• entre um elemento isolado e um grupo
• entre dois grupos
É possível a aplicação de vários critérios de agregação
1. nearest neighbor
2. furthest neighbor
3. between groups
4. within groups
5. wards
6. centroid groups
27
1. nearest neighbor
Também designado por vizinho mais próximo, ligação simples,
método mínimo
A distância entre duas classes m e n é o valor mínimo de todas as distâncias entre todos
os elementos de m e todos os elementos de n - distância entre os seus elementos mais
próximos
B=4 C=1
A=2
28
Também designado por vizinho mais distante, ligação completa,
método máximo
A distância entre duas classes m e n é o valor máximo de todas as distâncias entre todos os
elementos de m e todos os elementos de n - distância entre os seus elementos mais
afastados
B=4 C=1
A=2
29
3. between groups
Também designado por método da média de grupos, UPGMA
(unweighted pair group method with average)
A distância entre duas classes m e n é o valor médio de todas as distâncias entre todos os
elementos de m e todos os elementos de n
B=4 C=1
A=2
Menos sujeito a outliers; produz clusters com pouca dispersão interna e dispersão
comparável entre clusters;
30
4. within groups
Também designado por método das distâncias internas
Faz grupos de tal modo que, para cada nível de agregação, o total das distâncias internas
(entre todos os elementos de cada grupo) seja mínima
5. wards
Também designado por método da mínima variância
Faz grupos de tal modo que, as classes devem ter a máxima homogeneidade interna
possível - minimiza a soma dos quadrados das distâncias
O método de Ward é muito sensível a outliers e produz clusters de dimensão semelhante; não
é indicado quando se espera que existam grupos de dimensão muito diferente;
31
6. centroid groups
Também designado por método do centróide, UPGC
(unweighted pair group centroid)
A distância entre duas classes m e n é a distância entre os centróides – Os centróides são o

centro de gravidade das classes, determinadas pelas médias em cada variável. A localização do
centróide da nova classe resulta da média dos dois centróides, ponderada pelo número de
unidades de análise existentes em cada classe
B=4 C=1
A=2
32
7. median clustering
Também designado por método da mediana, WPGC
(weighted pair group centroid)
A distância entre duas classes m e n é a distância entre os centróides m e n, - mas ao

contrário do anterior, no cálculo do centróide do novo grupo, não se toma em
consideração o número de elementos que existe em cada um – sendo as suas coordenadas
a média simples das coordenadas dos centros dos dois grupos que se uniram
B=4 C=1
A=2
33
Devem tentar-se vários métodos de ligação entre os clusters.
Se os resultados da agregação diferirem muito de método para método,
É pouco provável que os dados tenham clusters distintos
34
4. Interpretação e Validação
 Escolha do número de clusters
Análise do Dendrograma e
Coeficiente de Aglomeração -SPSS
 Medidas descritivas (Centróides)
 Classificação e validação dos clusters
35
Como medir heterogeneidade e detectar a presença

de “saltos” (de distância/ heterogeneidade)?
– Não existe uma “regra de paragem” fixa;
– Regra geral, procuramos um valor demasiado ou alto ou um “salto”

significativo nas medidas de heterogeneidade no processo de
agregar grupos; quando este salto acontece evitamos dar esse passo!
– É comum identificar várias soluções;
36
Um exemplo… quantos clusters?
37
Ordem de
formação dos
clusters:
…
o dendrograma
em números!
38
Um exemplo de 4
clusters com clara
distinção territorial…
39
Uma boa solução de

clusters?
E que nomes atribuíam

aos clusters?
40
Em resumo …
• Que variáveis escolher?
– Tenho variáveis não padronizadas (valores-z)? Quero misturar variáveis dependentes e
independentes? Depende da minha narrativa (argumentação)!
• Que medidas de distância e critérios de agrupamento utilizar?

– Testar vários, perceber as implicações!
• Como escolho o número final de clusters?

– Dendrograma; Matriz de Aglomeração; Cálculo de Medidas Descritivas (centróides);
várias soluções!
– Que nome atribuo aos clusters? Têm validade teórica?
• Como apresentar os padrões territoriais …um mapa dos

clusters?
– No SPSS e no ArcGis!
41
Exemplo 1
Distância Euclidiana
d (i, j)  (| x  x |2  | x  x |2 ... | x  x |2 )
i1 j1 i2 j2 ip jp
casos v1 v2
1 1 1
2 2 1
3 4 5
4 5 7
5 7 7
Estes dados são usados para calcular uma matriz de distâncias de euclidianas.
42
Distância de dij =dji

A
1 2 3 4 5
1 0,0
2 1,0 0,0
3 5,0 4,5 0,0
4 7,2 6,7 2,2 0,0
5 8,5 7,8 3,6 2,0 0,0
A distância menor nesta matriz está entre os casos 1 & 2 (distância = 1,0).
43
Estes dois casos são fundidos para formar o primeiro

A agrupamento - A
3. between groups
Devem ser agora calculadas distâncias entre o agrupamento A e os outros 3 casos
A coordenada do ponto A será o valor médio dos pontos v1 e v2, i.e: v1 = 1,5; v2 = 1,0
A 3 4 5
A 0,0
3 4,7 0,0
4 8,1 3,6 0,0
5 6,9 2,2 2,0 0,0
A distância menor nesta matriz está entre os casos 4 & 5 (distância = 2.0)
44
B
Os casos 4 e 5 são fundidos para formar o agrupamento - B
A
Devem ser agora calculadas distâncias entre o agrupamento B e os outros 2 casos

(entre B e 3 e entre B e A)
Estes serão fundidos para formar o agrupamento B (meios: v1 = 6, v2 = 7).
A B 3
A 0,0
B 7,5 0.0
3 4,7 2,8 0,0
A distância menor nesta matriz está entre os casos B & 3 (distância = 2,8)
45
A coordenada do ponto C será o valor médio dos pontos:

v1 = (4+5+7)/3 = 5,3
v2 = (5+7+7)/3 = 6,3
Restam só 2 agrupamentos. São os próximos a serem fundidos

distância = 6.4
B
A C
C
A 0.0 A
C 6,4 0,0
O processo dos agrupamento é resumido no

seguinte dendrograma
C
46
Exemplo 2
População de 5 indivíduos (regiões) caracterizado por 3 variáveis (X1, X2 e X3)
Regiões X1 X2 X3
1 1 7 3
2 2 5 9
3 4 6 7
4 3 2 5
5 1 8 4
47
Regiões X1 X2 X3
1 1 7 3
1. Construção da matriz distância 2 2 5 9
3 4 6 7
4 3 2 5
5 1 8 4
Regiões 1 2 3 4 5
1 0
2 6,4 0
3 5,1 3 0
4 5,7 5,1 4,6 0
5 1,4 5,9 4,7 6,4 0
3 2
Distância euclidiana d ij   (x ik  x jk )
k 3
48
2. Escolha do menor elemento da matriz

Regiões 1 2 3 4 5
1 0
1. nearest neighbor 2 6,4 0

3 5,1 3 0
4 5,7 5,1 4,6 0
5 1,4 5,9 4,7 6,4 0
min dij = d1,5 = 1,4 regiões 1 e 5
Passamos a ter 4 clusters : { (1, 5) ; 2; 3; 4}
49
3. Cálculo da nova matriz distâncias
Regiões (1; 5) 2 3 4
(1; 5) 0
2 5,9 0
3 4,7 3 0
4 5,7 5,1 4,6 0
d(1; 5);2 = [d1;2 = 6,4] ou [d5;2 = 5,9] d (1;5),2 min (d1,2 ; d5,2) = d5;2 = 5,9
50
4. Escolha do mínimo valor da distância
Regiões (1; 5) 2 3 4
(1; 5) 0
2 5,9 0
3 4,7 3 0
4 5,7 5,1 4,6 0
min dij = d2,3 = 3 forma-se um novo cluster constituído pelas regiões 2 e 3
Passamos a ter 3 clusters : { (1, 5) ; (2, 3) ; 4}
51
Regiões (1; 5) (2; 3) 4

(1; 5) 0
(2; 3) 4,7 0
4 5,7 4,6 0
D (1; 5);(2; 3) = [d(1;5); 2 = 5,9] ou [d(1; 5); 3 = 4,7]
Logo d(1;5),(2;3) min (d(1;5),2 ; d (1;5);3) = d(1;5);3 = 4,7

52
6. Escolha do mínimo valor da distância
Regiões (1; 5) (2; 3) 4

(1; 5) 0
(2; 3) 4,7 0
4 5,7 4,6 0
min dij = d(2;3);4 = 4,6 forma-se cluster {(2, 3) ; 4}
53
Regiões (1; 5) (2; 3)

(1; 5) 0
(2; 3); 4 4,7 0
A distância mínima resulta na formação de um único cluster, formado por (1; 2; 3; 4 e 5)
Qual a árvore de ligação (dendrograma)?

54
Exemplo 3
Considere-se como exemplo a matriz de dados seguinte:
NUTS II V1 V2 V3 V4 V5 V6
Norte 165.38 .45 12.09 8.52 48.23 45.17
Centro 72.41 -.01 9.97 11.39 50.15 46.36
L.V.Tejo 277.33 .30 10.45 10.00 48.62 45.53
Alentejo 19.63 -.80 8.28 13.51 43.94 42.36
Algarve 69.13 .28 10.57 12.71 44.40 41.41
Açores 103.26 .59 15.19 10.95 39.24 33.90
Madeira 329.40 .50 13.00 9.66 42.63 45.61
V1 - densidade de população
V2 - variação de população entre 93 e 95
V3 -a taxa de natalidade,
V4 – taxa de mortalidade
V5 – taxa de actividade
V7 - % da participação feminina nos activos.
55
As distâncias entre as sete NUT’s II (os sete casos Ci,)
Calculadas pela distância euclidiana, após prévia ponderação dos valores, por variável (por
coluna), como forma de dar a cada uma o mesmo peso na análise, independentemente das
escalas e unidades em que foram medidas
C1 C2 C3 C4 C5 C6 C7
Norte C1 2,3348 1,5167 4,5929 2,9564 4,0289 2,1710
Centro C2 2,3348 2,0988 2,9065 2,1162 4,8054 3,5546
L.V.Tejo C3 1,5167 2,0988 4,1479 2,7769 4,5021 2,0213
Alentejo C4 4,5929 2,9065 4,1479 2,5701 5,0729 4,9480
Algarve C5 2,9564 2,1162 2,7769 2,5701 3,2302 3,2573
Açores C6 4,0289 4,8054 4,5021 5,0729 3,2302 3,6433
Madeira C7 2,1710 3,5546 2,0213 4,9480 3,2573 3,6433
56
O valor mais baixo da matriz inicial de distâncias é o de 1,5167, entre as unidades

de análise 1 e 3
C1.3 C2 C4 C5 C6 C7
C1.3 2,3348 4,5929 2,9564 4,5021 2,1710
C2 2,3348 2,9065 2,1162 4,8054 3,5546
C4 4,5929 2,9065 2,5701 5,0729 4,9480
C5 2,9546 2,1162 2,5701 3,2302 3,2573
C6 4,5021 4,8054 5,0729 3,2302 3,6433
C7 2,1710 3,5546 4,9480 3,2573 3,6433
57
A união seguinte é a C5 com C2 (à distância de 2,1162). E, repetindo o

processo, obtêm-se as seguintes junções:
Novo grupo Grupo anterior 1 Grupo anterior 2 Distância

8 1 3 1,5166
9 2 5 2,1162
10 8 7 2,1710
11 9 4 2,9065
12 10 6 4,5021
13 12 11 5,0729
58
e correspondente árvore de ligação (dendrograma):
Dendrogram using Complete Linkage
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
Norte Case 1 1
L.V.Tejo Case 3 3
Madeira Case 7 7
Açores Case 6 6
Centro Case 2 2
Algarve Case 5 5
Alentejo Case 4 4
59
Exemplo 4
Considere-se os seguintes dados meteorológicos:
Ano Temp. Temp. Max Temp. Min Temp. Solo Chuva Mês Max Dias Dias c/
Méd (@10cm) (mm) a Chuver Nevoeiro
1982 4.2 13.3 -5.3 4.0 23 6 0
1983 1.0 7.8 -5.3 3.0 34 11 8
1984 2.9 11.4 -5.1 3.2 65 17 0
1985 1.6 10.2 -6.0 2.9 7 2 5
1986 -1.1 2.7 -9.0 1.5 22 5 24
1987 3.3 13.4 -7.3 2.7 46 15 2
1988 4.5 13.0 -2.9 3.7 89 22 4
1989 5.7 13.5 -2.7 5.2 92 16 0
1990 6.6 14.9 -0.6 5.5 131 29 0
1991 1.5 13.8 -7.2 2.6 80 18 14
1992 5.5 12.1 -3.6 4.5 46 9 2
1993 4.7 12.0 -3.0 5.1 14 6 0 60

e correspondentes árvores de ligação (dendrogramas):
nearest neighbor furthest neighbor
Qual a melhor opção?

61
62
No SPSS executam-se os seguintes procedimentos

1- Abertura do ficheiro com as variáveis originais:
FILE ...
OPEN...
DATA...
2- Selecção do Procedimento análise clusters

STATISTICS ...
CLASSIFY...
HIERARCHICAL CLUSTER.....
3- Selecção das variáveis a submeter à análise de clusters
63
4- Selecção das seguintes opções na janela Statistics:

AGGLOMERATION SCHEDULE
DISTANCE MATRIX
5- Selecção das seguintes opções na janela Plots:

DENDROGRAM
6- Selecção das seguintes opções na janela Method:

Cluster Method: BETWEEN-GROUPS LINKAGE
Measure: INTERVAL;
EUCLIDEAN DISTANCE;
64
65
66
67
68
69

ASE 4 - AnÃ¡lise de Clusters

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

ASE 4 - AnÃ¡lise de Clusters

Enviado por

Direitos autorais:

Formatos disponíveis

/ DCSPT – Departamento de Ciências Sociais, Políticas e do Território

Análise Social e Económica

Curso de Administração Pública

João Lourenço Marques

Análise de Componentes Principais

Agrega variáveis em que a semelhança é medida pelas

Agrega casos (unidades de análise) em que a semelhança é

Noção de distância com 1 variável e 4 regiões

Matriz de distâncias económicas

Noção de distância com 2 variáveis e 2 regiões …

dist AB  ( X 2  X 1 ) 2  (Y2  Y1 ) 2  20 ,15

Um dos problemas das distâncias euclidianas é que são fortemente

A distância euclidiana é: 6002 + 0,82 = 360000 + 0,64

Quando as variáveis se encontram definidas em diferentes escalas de medida é

Antes do cálculo de distâncias socio-económicas é conveniente:

1) Reduzir o número de variáveis

2) Eliminar o efeito dimensão da unidade de análise (região)

3) Atribuir a mesma unidade de medida às variáveis

Noção de distância com 2 variáveis e 3 regiões …

Região PIBpc TX DES

Não atribuir a mesma unidade de medida às variáveis dá que …

a variável PIBpc é a dimensão relevante na agregação das unidades de análise

Região PIBpc TX DES A B C

MÉDIA 110,0 10,3

DESV P 36,1 7,1

Calculada a matriz distância

…como definir grupos homogéneos?

Procedimento multivariado para agrupamento ou classificação de

Tenta identificar grupos homogéneos nos dados

(agrupamento de observações de indivíduos baseada na similaridade das suas características)

Semelhante à análise factorial

Grandes semelhanças intra-grupos

Grandes diferenças inter-grupos

Os grupos obtidos são os mais homogéneos e mais separados possíveis.

De maneira a que indivíduos semelhantes pertençam ao mesmo agrupamento

2 clusters 4 clusters 6 clusters

Principais etapas da formação de agrupamentos

Tabela de Dados 0. Análise Prévia dos Dados

0. Análise Prévia dos Dados

 Correlação entre variáveis

 Se forem consideradas variáveis que estejam correlacionadas entre si,

 Se forem consideradas variáveis com diferentes escalas de medida ou

 A presença de outliers tem também o potencial para adulterar os resultados

1. Escolha da metodologia de agrupamento

Análise de clusters hierárquica

- aplica-se tanto a casos como a variáveis

Análise de clusters hierárquica

Formam-se com base nos pares mais próximos de acordo com

Passo-a-passo – junta pares de objectos até formar um só cluster.

As classificações hierárquicas formam uma sequência de agrupamentos

Mostram com alguma facilidade, o modo

Diagrama de Venn Dendrograma

Análise de clusters K-Means

Se o agrupamento é não hierárquico estamos perante uma

É necessário especificar a priori o valor de k, i.e., o

Não será objecto de grande aprofundamento

2. Medida de distância ou de proximidade a usar

As distâncias são normalmente usadas como medida de semelhança entre

uma pequena distância é equivalente a uma grande semelhança

Distâncias Euclidianas – mensuráveis com uma régua

Distâncias Não-Euclidianas – baseadas em semelhanças

Exemplo: Lisboa – Porto – Espinho ...

Em muitos casos a distância não pode ser medida directamente