Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/14587| Título: | Agrupamento não supervisionado fuzzy C- Means |
| Título(s) alternativo(s): | Non-supervised clustering fuzzy C- Means |
| Autor(es): | Rosa, Ekuikui Vanilson dos Anjos |
| Orientador(es): | Casanova, Dalcimar |
| Palavras-chave: | Sistemas de reconhecimento de padrões Lógica difusa Mineração de dados (Computação) Teoria dos conjuntos Pattern recognition systems Fuzzy logic Data mining Set theory |
| Data do documento: | 5-Dez-2017 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | ROSA, Ekuikui Vanilson dos Anjos. Agrupamento não supervisionado fuzzy C- Means. 2017. 76 f. Trabalho de Conclusão de Curso (Graduação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2017. |
| Resumo: | A tarefa de agrupamento visa identificar e aproximar os dados similares. Um agrupamento (ou cluster) é uma coleção de dados similares entre si, porém diferentes dos outros registros nos demais grupos. Nesse contexto muitos métodos de agrupamentos já foram propostos e ainda são fonte de diversas pesquisas científicas que objetivam melhor separação dos dados. Dentre os métodos mais conhecidos estão o k-means e o fuzzy c-means e ambos possuem implementações em diversos pacotes comerciais e livres, todavia os usuários comuns tendem a utilizar tais métodos indiscriminadamente, sem conhecer suas implicações e diferenças. Esse trabalho visa contribuir no sentido de dar clareza e exemplos práticos do comportamento do método fuzzy c-means, o qual é baseado na teoria dos conjuntos nebulosos. |
| Abstract: | The clustering task aims to identify and approximate similar data. A cluster is a collection of data similar to each other, but different from the other records in the other clusters. In this context, many of these clusters have already been proposed and are still the origin of several scientific studies aimed at obtaining the best data separation. Among the best known methods are k-means and fuzzy c-means. Both have deployments in various commercial and free packages. However, ordinary users tend to use such methods indiscriminately, without knowing their implications and differences. This work aims to contribute precisely in this sense, to give clarity and practical examples of the behavior of the method fuzzy c-means, which is based on the theory of fuzzy sets. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/14587 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| PB_COENC_2017_1_03.pdf | 1,55 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.