Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/6462
Title: Um comparativo entre a modularidade KNN e a medida de estabilidade para extração ótima de grupos a partir de hierarquia de grupos.
Authors: Silva, Pedro Henrique Oliveira da
metadata.dc.contributor.advisor: Gertrudes, Jadson Castro
metadata.dc.contributor.referee: Gertrudes, Jadson Castro
Ferreira, Anderson Almeida
Ogécime, Mardochee
Keywords: Aprendizado de máquina
Aprendizado não supervisionado
Agrupamento de dados
Medidas de qualidade para extração de grupos
Issue Date: 2024
Citation: SILVA, Pedro Henrique Oliveira. Um comparativo entre a modularidade KNN e a medida de estabilidade para extração ótima de grupos a partir de hierarquia de grupos. 2024. 36 f. Monografia (Graduação em Ciências da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.
Abstract: Análises de agrupamento fazem parte do domínio do aprendizado não supervisionado. Elas envolvem a criação de grupos (clusters) a partir dos dados, reunindo-os com base em características compartilhadas, sem a necessidade de rótulos prévios. Este estudo tem como propósito avaliar a eficácia da métrica de qualidade Modularidade Q, fundamentada na estrutura de redes complexas, dentro do contexto do algoritmo FOSC, usado para extrair agrupamentos. O objetivo é investigar o desempenho dessa métrica ao ser aplicada em hierarquias produzidas por modelos tradicionais de agrupamento hierárquico. O trabalho visa a análise da métrica Modularidade Q, sua comparação com a medida original (Stability) empregada no FOSC, e sua avaliação tanto em cenários pré-definidos quanto em um cenário real, que abrange a análise de redes sociais. O estudo busca enriquecer o entendimento sobre a eficácia da métrica Modularidade Q no contexto do FOSC, bem como sua aplicabilidade prática em situações do mundo real. Os resultados obtidos nesse trabalho foram positivos, mostrando que Modularidade Q tem grande potencial para ser utilizada.
metadata.dc.description.abstracten: Cluster analysis is part of the unsupervised learning domain. It involves creating groups (clusters) from data by assembling them based on shared characteristics, without the need for pre-existing labels. This study aims to evaluate the effectiveness of the Modularity Q quality metric, grounded in the structure of complex networks, within the context of the FOSC algorithm used for extracting clusters. The objective is to investigate the performance of this metric when applied to hierarchies produced by traditional hierar- chical clustering models. The work involves the analysis of the Modularity Q metric, its comparison with the original measure (Stability) employed in FOSC, and its evaluation in both predefined scenarios and a real-world scenario, encompassing the analysis of social networks. The study seeks to enhance the understanding of the effectiveness of the Modularity Q metric in the context of FOSC, as well as its practical applicability in real-world situations. The results obtained in this study were positive, demonstrating that Modularity Q has significant potential for use.
URI: http://www.monografias.ufop.br/handle/35400000/6462
Appears in Collections:Ciência da Computação

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_ComparativoModularidadeKnn.pdf571,88 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.