Comitê de agrupamentos hierárquicos que preserva a Ttransitividade

• Autor(a) principal: Moura, Ronildo Pinheiro de Araújo
• Data de Publicação: 2018
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFRN
• Texto Completo: https://repositorio.ufrn.br/jspui/handle/123456789/26768
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO; Agrupamento de dados; Agrupamento hierárquico; Dendrogramas; Operadores de agregação; T-transitividade

A ideia principal do aprendizado por comitês é aprimorar os resultados de métodos de aprendizagem de máquina combinando múltiplos modelos. Inicialmente aplicada a problemas de aprendizagem supervisionada, esta abordagem permite produzir resultados com qualidade superior em relação a um único modelo. Da mesma forma, aprendizagem de comitê aplicados ao aprendizado não supervisionado, ou consenso de agrupamento, produz agrupamentos de alta qualidade. A maioria dos métodos de comitê para agrupamento de dados são destinados a algoritmos particionais, e apresentam resultados de qualidade superior aos agrupamentos simples. Deste modo, é razoável esperar que a combinação de agrupamentos hierárquicos possa levar a um agrupamento hierárquico de melhor qualidade. Os estudos recentes não consideram as particularidades inerentes aos diferentes métodos de agrupamento hierárquico durante o processo do consenso. Este trabalho investiga a consistência dos resultados do consenso considerando diferentes métodos de agrupamento hierárquico utilizados para gerar o comitê. Uma abordagem é proposta para preservar um tipo de transitividade presente nos dendrogramas. Neste algoritmo, os dendrogramas representando os resultados individuais dos agrupamentos bases são convertidos em matrizes ultramétricas. Então, após um processo de fuzzificação, alguns operadores de agregação com a capacidade de preservar uma t-transitividade geram uma matriz consenso. O agrupamento hierárquico final é obtido a partir da matriz consenso. A análise de resultados dos experimentos realizados em conjuntos de dados conhecidos e a visualização da operação do algoritmo em conjunto de dados visuais (duas dimensões) indica que esta abordagem consegue melhorar a acurácia enquanto é consistente com o método gerador.