Classificação não supervisionada no contexto de tamanho e forma

Abstract

Esta dissertação tem como objetivo propor métodos não supervisionados de classificação para dados de tamanho e forma, considerando imagens bidimensionais (formas planas). Os novos métodos são baseados em testes de hipóteses, algoritmo K-médias e o algoritmo hill climbing. Também propomos as combinações dos algoritmos, com os métodos de ensemble: bagging e boosting. Para os dados simulados, gerados a partir da distribuição normal complexa, propomos três possíveis cenários para avaliar o desempenho dos métodos propostos. Neles, as combinações dos algoritmos foram superiores às suas versões base, sendo o algoritmo bagging hill climbing, o mais poderoso em dois cenários. Ainda pelos resultados numéricos, concluímos que quando os tamanhos dos centroides se diferenciam, o desempenho dos algoritmos me- lhora. Para os conjuntos de dados reais (vértebras torácicas T2 de camundongos,ressonância magnética de pessoas com esquizofrenia e crânio de grandes macacos), os métodos ensembles (bagging e boosting) novamente foram o destaque, sendo sempre superiores às versões base. Finalmente, considerando os dados sintéticos e reais, o bagging hill climbing é escolhido como o melhor método.