A an\u00e1lise de clusters ou agrupamento \u00e9 a tarefa de agrupar um conjunto de objectos de tal forma que os objectos do mesmo grupo (designado por cluster) s\u00e3o mais semelhantes (num sentido ou noutro) entre si do que os de outros grupos (clusters). \u00c9 uma das principais tarefas da extra\u00e7\u00e3o explorat\u00f3ria de dados e uma t\u00e9cnica comum de an\u00e1lise estat\u00edstica de dados, utilizada em muitos dom\u00ednios, incluindo a aprendizagem autom\u00e1tica, o reconhecimento de padr\u00f5es, a an\u00e1lise de imagens, a recupera\u00e7\u00e3o de informa\u00e7\u00f5es e a bioinform\u00e1tica. A an\u00e1lise de clusters em si n\u00e3o \u00e9 um algoritmo espec\u00edfico, mas a tarefa geral a resolver. Pode ser realizada atrav\u00e9s de v\u00e1rios algoritmos que diferem significativamente na sua no\u00e7\u00e3o do que constitui um agrupamento e na forma de o encontrar eficientemente. As no\u00e7\u00f5es populares de clusters incluem grupos com pequenas dist\u00e2ncias entre os membros do cluster, \u00e1reas densas do espa\u00e7o de dados, intervalos ou distribui\u00e7\u00f5es estat\u00edsticas espec\u00edficas. A agrega\u00e7\u00e3o pode, portanto, ser formulada como um problema de otimiza\u00e7\u00e3o multi-objetivo. O algoritmo de agrupamento adequado e as defini\u00e7\u00f5es dos par\u00e2metros (incluindo valores como a fun\u00e7\u00e3o de dist\u00e2ncia a utilizar, um limiar de densidade ou o n\u00famero de agrupamentos esperados) dependem do conjunto de dados individual e da utiliza\u00e7\u00e3o pretendida dos resultados. A an\u00e1lise de clusters, enquanto tal, n\u00e3o \u00e9 uma tarefa autom\u00e1tica, mas um processo iterativo de descoberta de conhecimentos ou de otimiza\u00e7\u00e3o interactiva multi-objetivo que envolve tentativas e falhas. Muitas vezes, ser\u00e1 necess\u00e1rio modificar o pr\u00e9-processamento dos dados e os par\u00e2metros do modelo at\u00e9 que o resultado atinja as propriedades desejadas. Para al\u00e9m do termo clustering, existem v\u00e1rios termos com significados semelhantes, incluindo classifica\u00e7\u00e3o autom\u00e1tica, taxonomia num\u00e9rica, botriologia (do grego \u03b2\u03cc\u03c4\u03c1\u03c5\u03c2 \"uva\") e an\u00e1lise tipol\u00f3gica. As diferen\u00e7as subtis residem frequentemente na utiliza\u00e7\u00e3o dos resultados: enquanto na extra\u00e7\u00e3o de dados, o que interessa s\u00e3o os grupos resultantes, na classifica\u00e7\u00e3o autom\u00e1tica interessa o poder discriminativo resultante. Este facto leva frequentemente a mal-entendidos entre investigadores provenientes dos dom\u00ednios da extra\u00e7\u00e3o de dados e da aprendizagem autom\u00e1tica, uma vez que utilizam os mesmos termos e frequentemente os mesmos algoritmos, mas t\u00eam objectivos diferentes. A an\u00e1lise de clusters teve origem na antropologia por Driver e Kroeber em 1932 e foi introduzida na psicologia por Zubin em 1938 e Robert Tryon em 1939, tendo sido utilizada de forma c\u00e9lebre por Cattell a partir de 1943 para a classifica\u00e7\u00e3o da teoria dos tra\u00e7os na psicologia da personalidade.<\/p>","protected":false},"excerpt":{"rendered":"
Cluster analysis or clustering is the task of grouping a set of objects in such a way that objects in the same group (called a cluster) are more similar (in some sense or another) to each other than to those in other groups (clusters). It is a main task of exploratory data mining, and a […]<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"","ping_status":"closed","template":"","meta":{"_acf_changed":false,"wl_entities_gutenberg":"","footnotes":""},"categories":[],"wl_entity_type":[39],"class_list":["post-15649","entity","type-entity","status-publish","hentry","wl_entity_type-thing"],"acf":[],"yoast_head":"\n