Framework de mineração de dados agropecuários

• Autor(a) principal: Santos, Euristenede Vanuel Francisco das Neves
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/26519
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA; Mineração de dados (Computação); Framework (Arquivo de computador); Agricultura - Estatísticas; Data mining; Framework (Computer program); Agriculture - Statistics

Este trabalho apresenta o desenvolvimento de um framework de mineração de dados agropecuários. Utilizando o processo de extração de conhecimento em base de dados ,denominado Knowledge Discovery in Data bases KDD e seguindo as suas cinco etapas: seleção dos dados, pré-processamento, transformação, mineração, validação e visualização de resultados. A codificação do framework foi por meio da linguagem de programação Python, fazendo o uso de bibliotecas de aprendizagem de máquina dos cikit learn e pandas, de bibliotecas para plotagem de gráficos do matplotlibe o desenho das interfaces por meio do IDE Qt Designer. Foi utilizado os algoritmos K-médias e DBScan para realizar agrupamentos de dados, e os algoritmos de árvores de decisão e Naive bayes para classificação. Tabelas do último censo agropecuário realizado em 2017, disponível no Sistema IBGE de Recuperação Automática– SIDRA, foram utilizadas para realizar um estudo de caso apresentado na seção 4 deste trabalho, com objetivo de testar a viabilidade do framework. Por meio do estudo de caso ou só do framework apresentou ser viável para utilização por profissionais ou pesquisadores da área. O algoritmo de agrupamento K-médias apresentou resultados igual a 0.78, 0.74 e 0.64 para um K igual a 2,3 e 4 respectivamente, já o DBScan não apresentou resultados satisfatórios. O desempenho do classificador baseado em árvore de decisão conseguiu alcançar a marca de 100% sobre as métricas de precisão, recall e f1-score, enquanto, o classificador Naives bayes alcançou a marca de 80, 96 e 85% para precisão, recall e f1-score, respectivamente.