Escolar Documentos
Profissional Documentos
Cultura Documentos
Representação dos
Avaliação do
grupos
agrupamento
ANÁLISE DE GRUPO
MEDIDAS DE SIMILARIDADE
• Algoritmo k-means
• Normalmente termina em um ótimo local;
• Aplicável somente a objetos em um espaço contínuo n-dimensional;
• Necessário especificar k com antecedência;
• Sensível aos dados ruidosos e aos outliers;
ANÁLISE DE GRUPO
ALGORITMOS DE AGRUPAMENTO
• Algoritmo k-medoids
• Um medoid é o objeto com a menor dissimilaridade média a todos os
outros objetos;
• É o objeto mais centralmente localizado do grupo;
• É um método de agrupamento relacionado ao k-means, mas que usa
um objeto da base como protótipo em lugar de um centroide;
ANÁLISE DE GRUPO
ALGORITMOS DE AGRUPAMENTO – K-MEDOIDS
ANÁLISE DE GRUPO
• Algoritmo k-medoids
• O k-means calcula o centro do grupo a partir dos objetos nele contidos,
enquanto que o k-medoids escolhe objetos da própria base como os
centros dos grupos;
• O k-medoids é mais robusto a ruído e a valores discrepantes do que o
k-means, pois o centro do grupo será necessariamente um objeto da
base;
ANÁLISE DE GRUPO
DENDROGRAMA
• Decompõem objetos em particionamento aninhados (árvores de clusters),
chamados de dendrograma;
• Um agrupamento de objetos é obtido cortando o dendrograma no nível
desejado;
ANÁLISE DE GRUPO
ANÁLISE GRUPO COM R – k-means
• Vamos utilizar a tabela iris
ANÁLISE DE GRUPO
ANÁLISE GRUPO COM R – k-means
• Vamos criar três grupos
ANÁLISE DE GRUPO
ANÁLISE GRUPO COM R – k-means
• Verificar o cluster criado com a tabela original iris
CONCLUSÃO