Métodos robustos em análise de agrupamento para dados simbólicos

Abstract

Análise de agrupamento (cluster analysis) visa organizar um conjunto de itens em grupos tal que os itens em um dado grupo têm alto grau de similaridade, enquanto itens pertencentes a grupos diferentes têm um alto grau de dissimilaridade. Técnicas de análise de agrupamento podem ser divididas em hierárquicas e de particionamento. Métodos hierárquicos formam seqüências de partições dos dados de entrada gerando assim hierarquias completas, enquanto métodos de particionamento procuram obter uma simples partição dos dados de entrada em um número fixo de grupos. Em geral esses métodos são divididos em dois grupos de paradigmas: rígido (hard) e difuso/nebuloso (fuzzy). Os algoritmos rígidos associam um item a apenas um grupo, enquanto os algoritmos difusos/nebulosos associam um item a todos os grupos através de um grau de pertinência do item em cada grupo. Os algoritmos de agrupamento baseados em medoid são conhecidos por serem menos sensíveis na presença de observações aberrantes/ruídos. Adicionalmente, esses algoritmos são mais flexíveis uma vez que a entrada de dados é uma matriz de dissimilaridade. A fim de modelar variabilidade e/ou incerteza inerente aos dados, variáveis podem assumir conjuntos de categorias ou intervalos, possivelmente até mesmo com freqüências ou pesos. A análise de dados simbólicos (Symbolic Data Analysis) é um domínio relacionado com análise multivariada, reconhecimento de padrão e inteligência artificial para tratar com conjuntos de dados simbólicos descritos por intervalos, distribuição de peso (probabilidade) ou conjuntos de categorias. Esta dissertação apresenta métodos de agrupamento rígidos e difusos/nebulosos baseados em medoid para conjuntos de dados simbólicos. Diferentes funções de distâncias padronizadas para dados simbólicos são também investigadas. Para avaliar os métodos aplicados a dados simbólicos, foram realizados experimentos com conjuntos de dados intervalares artificiais contendo observações aberrantes e conjuntos de dados simbólicos reais mistos. Os resultados da medida de qualidade adotada demonstraram que em geral os métodos baseados em medoid obtiveram um desempenho satisfatório em relação a outros métodos de particionamento existentes na literatura de dados simbólicos