Avaliacao de particao vs avaliacao de clusters wci 2010
0 gostou483 visualizações
O documento apresenta resultados do III Workshop sobre Inteligência Computacional, focando na avaliação de partições e clusters, abordando métodos tradicionais e multi-objetivos na análise de agrupamento. Experimentos foram realizados com diversos conjuntos de dados para avaliar a eficácia de diferentes índices de agrupamento, destacando a análise individual de clusters. Conclui-se que a análise individual é promissora e que a qualidade de um cluster pode afetar negativamente a partição.
Avaliacao de particao vs avaliacao de clusters wci 2010
- 1. III Workshop on Computational Intelligence Avaliação de Partições vs Avaliação de Clusters Gustavo Henrique Rodrigues Pinto Tomas Dra. Katti Faceli Projeto financiado por: Programa Institucional de Bolsas de Iniciação Cientifica – PIBIC Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq Universidade Federal de São Carlos – Campus Sorocaba
- 2. Motivação • Definição de cluster; • Abordagens tradicionais: cada algoritmo segue um critério diferente; • Abordagens multi-objetivos: Ex.: MOCLE. • Nova Abordagem: Análise de Clusters Individualmente. Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 3. Motivação Preparação dos Agrupamento Validação Dados Critérios de Agrupamento Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 4. Critérios de Agrupamento • Compactação: – Pequena variação intra-cluster; – Clusters esféricos e/ou bem separados; • Encadeamento: – Objetos vizinhos tem que compartilhar o mesmo cluster; – Adequado para clusters com forma arbitrária; – Ruim quando há pouca separação entre os clusters; • Separação: – Somente a separação espacial fornece pouca informação; – Aplicada em associação com outros critérios. Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 5. Abordagens Estrutura Real K-Means Single Link Average Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 6. Índices Relativos Índice Critério Característica Desvio Total Compactação Avalia a qualidade de um (Adaptado) agrupamento em termos da compactação dos clusters Conectividade Encadeamento Reflete o grau com que os objetos (Adaptado) vizinhos são colocados no mesmo cluster Silhueta Compactação e Baseia-se na proximidade entre os Separação objetos de um cluster e na distância dos objetos de um cluster ao cluster mais próximo Consistência-KNN Encadeamento Os objetos de cada classe são (Adaptado) distribuídos de forma consistente. Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 7. Experimento Realizado 1. Preparação dos dados artificiais FCPS; 2. Execução para vários conjuntos de dados, utilizando a distância Euclideana como função de proximidade; 3. Tratamento dos resultados; 4. Plotagem de gráficos; 5. Análise dos índices. Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 8. Experimento Realizado -Normalizar: Silhueta, Desvio Total 1. Preparação dos dados artificiais Conectividade e FCPS; - Alterar melhor valor: Silhueta e 2. Execução para vários conjuntos de dados, utilizando Consistência-KNN a distância Euclideana como função de proximidade; 3. Tratamento dos resultados; 4. Plotagem de gráficos; 5. Análise dos índices. Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 9. Conjunto de Dados Fundamental Clustering Problems Suite (FCPS) Wing Nut Atom LSun Target Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 10. Resultados: Wing Nut 1,0 0,9 0,8 0,7 0,6 sil 0,5 dev 0,39 0,39 0,39 0,4 con 0,28 0,28 0,28 0,3 cknn 0,2 0,12 0,13 0,11 0,13 0,14 0,1 0,01 0,0 Real C1 C2 Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 11. Resultados: Atom 1,00 1,0 0,9 0,8 0,7 0,62 0,6 0,55 sil 0,5 dev 0,4 0,34 con 0,3 cknn 0,2 0,10 0,08 0,1 0,04 0,01 0,07 0,00 0,00 0,00 0,0 Real C1 C2 Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 12. Resultados: LSun 1,0 0,9 0,8 0,7 0,6 sil 0,5 dev 0,4 con 0,29 0,29 0,32 0,29 0,3 0,26 0,24 0,26 cknn 0,16 0,2 0,13 0,13 0,13 0,1 0,01 0,00 0,00 0,00 0,01 0,0 Real C1 C2 C3 Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 13. Resultados: Target 1,00 1,00 1,00 1,00 1,0 0,9 0,8 0,67 0,70 0,7 0,65 0,65 0,65 0,6 0,61 sil 0,5 0,44 dev 0,41 0,4 0,35 con 0,3 cknn 0,2 0,13 0,09 0,1 0,08 0,02 0,02 0,02 0,02 0,00 0,00 0,00 0,00 0,01 0,01 0,01 0,01 0,0 Real C1 C2 C3 C4 C5 C6 Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 14. Considerações Finais • Análise de clusters individualmente é uma abordagem promissora; • Conjunto de índices complementares para avaliar estruturas heterogêneas; • Qualidade baixa de um cluster influência negativamente o resultado da partição. Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 15. Considerações Finais • As estruturas destes conjuntos de dados favorecem os critérios baseados em encadeamento; • O índice consistência-KNN obteve em média bom desempenho; • Índices com mesmo critério podem se comportar de maneira diferente. Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba
- 16. Dúvidas? Gustavo Henrique Rodrigues Pinto Tomas Email: [email protected] Katti Faceli Email: [email protected] Obrigado! Análise de Partições vs Avaliação de Clusters – III WCI – UFSCar Campus Sorocaba