Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/jspui/handle/123456789/15479 |
Resumo: | Self-organizing maps (SOM) are artificial neural networks widely used in the data mining field, mainly because they constitute a dimensionality reduction technique given the fixed grid of neurons associated with the network. In order to properly the partition and visualize the SOM network, the various methods available in the literature must be applied in a post-processing stage, that consists of inferring, through its neurons, relevant characteristics of the data set. In general, such processing applied to the network neurons, instead of the entire database, reduces the computational costs due to vector quantization. This work proposes a post-processing of the SOM neurons in the input and output spaces, combining visualization techniques with algorithms based on gravitational forces and the search for the shortest path with the greatest reward. Such methods take into account the connection strength between neighbouring neurons and characteristics of pattern density and distances among neurons, both associated with the position that the neurons occupy in the data space after training the network. Thus, the goal consists of defining more clearly the arrangement of the clusters present in the data. Experiments were carried out so as to evaluate the proposed methods using various artificially generated data sets, as well as real world data sets. The results obtained were compared with those from a number of well-known methods existent in the literature |
id |
UFRN_1a53db687bdeda8f9752a45bd3f8c0ac |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/15479 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Silva, Leonardo Enzo Brito dahttp://lattes.cnpq.br/8092398102384904http://lattes.cnpq.br/9745845064013172Martins, Allan de Medeiroshttp://lattes.cnpq.br/4402694969508077Gorgonio, Flavius da Luz ehttp://lattes.cnpq.br/7375286161719016Peres, Sarajane Marqueshttp://lattes.cnpq.br/6265936760089757Costa, José Alfredo Ferreira2014-12-17T14:56:14Z2014-01-172014-12-17T14:56:14Z2013-07-29SILVA, Leonardo Enzo Brito da. Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis. 2013. 133 f. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2013.https://repositorio.ufrn.br/jspui/handle/123456789/15479Self-organizing maps (SOM) are artificial neural networks widely used in the data mining field, mainly because they constitute a dimensionality reduction technique given the fixed grid of neurons associated with the network. In order to properly the partition and visualize the SOM network, the various methods available in the literature must be applied in a post-processing stage, that consists of inferring, through its neurons, relevant characteristics of the data set. In general, such processing applied to the network neurons, instead of the entire database, reduces the computational costs due to vector quantization. This work proposes a post-processing of the SOM neurons in the input and output spaces, combining visualization techniques with algorithms based on gravitational forces and the search for the shortest path with the greatest reward. Such methods take into account the connection strength between neighbouring neurons and characteristics of pattern density and distances among neurons, both associated with the position that the neurons occupy in the data space after training the network. Thus, the goal consists of defining more clearly the arrangement of the clusters present in the data. Experiments were carried out so as to evaluate the proposed methods using various artificially generated data sets, as well as real world data sets. The results obtained were compared with those from a number of well-known methods existent in the literatureOs mapas auto-organizáveis (SOM) são redes neurais artificiais amplamente utilizadas no campo da mineração de dados, principalmente por se constituírem numa técnica de redução de dimensionalidade dada a grade fixa de neurônios associada à rede. A fim de particionar e visualizar adequadamente a rede SOM, os diversos métodos existentes na literatura devem ser aplicados em uma etapa de pós-processamento nos seus neurônios, visando inferir características relevantes do conjunto de dados. Em geral, tal processamento efetuado sobre os neurônios da rede, ao invés do conjunto de dados em sua totalidade, reduz o custo computacional, dada a quantização vetorial. Este trabalho propõe pós-processamentos dos neurônios da rede SOM nos espaços de entrada e de saída, aliando técnicas de visualização a algoritmos baseados na força gravitacional e na procura do menor caminho com maior recompensa. Tais métodos levam em consideração forças de ligação entre neurônios vizinhos e características de distâncias e densidade de padrões, ambas associadas a posição que o neurônio ocupa no espaço dos dados após o treinamento da rede. Dessa forma, busca-se definir mais nitidamente a disposição dos agrupamentos presentes nos dados. Experimentos foram realizados para avaliar os métodos propostos utilizando diversos conjuntos de dados gerados artificialmente, assim como conjuntos de dados do mundo real. Os resultados obtidos foram comparados com aqueles provenientes de alguns métodos bem conhecidos existentes na literaturaCoordenação de Aperfeiçoamento de Pessoal de Nível Superiorapplication/pdfporUniversidade Federal do Rio Grande do NortePrograma de Pós-Graduação em Engenharia ElétricaUFRNBRAutomação e Sistemas; Engenharia de Computação; TelecomunicaçõesMapas auto-organizáveis. Mineração de dados. Técnicas de visualização. Algoritmos de agrupamentoData mining. Self-organizing maps. Visualization techniques. Clustering algorithmsCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAContribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALLeonardoEBS_DISSERT.pdfapplication/pdf24615429https://repositorio.ufrn.br/bitstream/123456789/15479/1/LeonardoEBS_DISSERT.pdf65db01cbf658b5c63cee811e9c19bafcMD51TEXTLeonardoEBS_DISSERT.pdf.txtLeonardoEBS_DISSERT.pdf.txtExtracted texttext/plain253903https://repositorio.ufrn.br/bitstream/123456789/15479/6/LeonardoEBS_DISSERT.pdf.txt7a0975039738e7a69502b70914c751fdMD56THUMBNAILLeonardoEBS_DISSERT.pdf.jpgLeonardoEBS_DISSERT.pdf.jpgIM Thumbnailimage/jpeg6553https://repositorio.ufrn.br/bitstream/123456789/15479/7/LeonardoEBS_DISSERT.pdf.jpg105e276f1c49ba691152b4ff0cf8f0abMD57123456789/154792017-10-31 20:11:06.953oai:https://repositorio.ufrn.br:123456789/15479Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2017-10-31T23:11:06Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.por.fl_str_mv |
Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis |
title |
Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis |
spellingShingle |
Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis Silva, Leonardo Enzo Brito da Mapas auto-organizáveis. Mineração de dados. Técnicas de visualização. Algoritmos de agrupamento Data mining. Self-organizing maps. Visualization techniques. Clustering algorithms CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
title_short |
Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis |
title_full |
Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis |
title_fullStr |
Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis |
title_full_unstemmed |
Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis |
title_sort |
Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis |
author |
Silva, Leonardo Enzo Brito da |
author_facet |
Silva, Leonardo Enzo Brito da |
author_role |
author |
dc.contributor.authorID.por.fl_str_mv |
|
dc.contributor.authorLattes.por.fl_str_mv |
http://lattes.cnpq.br/8092398102384904 |
dc.contributor.advisorID.por.fl_str_mv |
|
dc.contributor.advisorLattes.por.fl_str_mv |
http://lattes.cnpq.br/9745845064013172 |
dc.contributor.referees1.pt_BR.fl_str_mv |
Martins, Allan de Medeiros |
dc.contributor.referees1ID.por.fl_str_mv |
|
dc.contributor.referees1Lattes.por.fl_str_mv |
http://lattes.cnpq.br/4402694969508077 |
dc.contributor.referees2.pt_BR.fl_str_mv |
Gorgonio, Flavius da Luz e |
dc.contributor.referees2ID.por.fl_str_mv |
|
dc.contributor.referees2Lattes.por.fl_str_mv |
http://lattes.cnpq.br/7375286161719016 |
dc.contributor.referees3.pt_BR.fl_str_mv |
Peres, Sarajane Marques |
dc.contributor.referees3ID.por.fl_str_mv |
|
dc.contributor.referees3Lattes.por.fl_str_mv |
http://lattes.cnpq.br/6265936760089757 |
dc.contributor.author.fl_str_mv |
Silva, Leonardo Enzo Brito da |
dc.contributor.advisor1.fl_str_mv |
Costa, José Alfredo Ferreira |
contributor_str_mv |
Costa, José Alfredo Ferreira |
dc.subject.por.fl_str_mv |
Mapas auto-organizáveis. Mineração de dados. Técnicas de visualização. Algoritmos de agrupamento |
topic |
Mapas auto-organizáveis. Mineração de dados. Técnicas de visualização. Algoritmos de agrupamento Data mining. Self-organizing maps. Visualization techniques. Clustering algorithms CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
dc.subject.eng.fl_str_mv |
Data mining. Self-organizing maps. Visualization techniques. Clustering algorithms |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
description |
Self-organizing maps (SOM) are artificial neural networks widely used in the data mining field, mainly because they constitute a dimensionality reduction technique given the fixed grid of neurons associated with the network. In order to properly the partition and visualize the SOM network, the various methods available in the literature must be applied in a post-processing stage, that consists of inferring, through its neurons, relevant characteristics of the data set. In general, such processing applied to the network neurons, instead of the entire database, reduces the computational costs due to vector quantization. This work proposes a post-processing of the SOM neurons in the input and output spaces, combining visualization techniques with algorithms based on gravitational forces and the search for the shortest path with the greatest reward. Such methods take into account the connection strength between neighbouring neurons and characteristics of pattern density and distances among neurons, both associated with the position that the neurons occupy in the data space after training the network. Thus, the goal consists of defining more clearly the arrangement of the clusters present in the data. Experiments were carried out so as to evaluate the proposed methods using various artificially generated data sets, as well as real world data sets. The results obtained were compared with those from a number of well-known methods existent in the literature |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013-07-29 |
dc.date.accessioned.fl_str_mv |
2014-12-17T14:56:14Z |
dc.date.available.fl_str_mv |
2014-01-17 2014-12-17T14:56:14Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SILVA, Leonardo Enzo Brito da. Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis. 2013. 133 f. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2013. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/jspui/handle/123456789/15479 |
identifier_str_mv |
SILVA, Leonardo Enzo Brito da. Contribuições a técnicas de agrupamento e visualização de dados multivariados utilizando mapas auto-organizáveis. 2013. 133 f. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2013. |
url |
https://repositorio.ufrn.br/jspui/handle/123456789/15479 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
BR |
dc.publisher.department.fl_str_mv |
Automação e Sistemas; Engenharia de Computação; Telecomunicações |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/15479/1/LeonardoEBS_DISSERT.pdf https://repositorio.ufrn.br/bitstream/123456789/15479/6/LeonardoEBS_DISSERT.pdf.txt https://repositorio.ufrn.br/bitstream/123456789/15479/7/LeonardoEBS_DISSERT.pdf.jpg |
bitstream.checksum.fl_str_mv |
65db01cbf658b5c63cee811e9c19bafc 7a0975039738e7a69502b70914c751fd 105e276f1c49ba691152b4ff0cf8f0ab |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1797777327433711616 |