Detalhes bibliográficos
| Ano de defesa: |
2016 |
| Autor(a) principal: |
Dantas, Nielsen Castelo Damasceno |
| Orientador(a): |
Aloise, Daniel |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.ufrn.br/jspui/handle/123456789/22695
|
Resumo: |
O k-means é um algoritmo benchmark bastante utilizado na área de mineração de dados.Ele pertence à grande categoria de heurísticas com base em etapas delocalização-alocação que, alternadamente, localiza centros de cluster e atribuípontos de dados a eles até que nenhuma melhoria seja possível. Tais heurísticassão conhecidas por sofrer de um fenômeno chamado de degeneração, em que,alguns dos clusters ficam vazios, e, portanto, fora de uso. Nesta tese, propõe-sevarias comparações e uma série de estratégias para contornar soluçõesdegeneradas durante a execução de k-means. Os experimentos computacionaisdemonstram que essas estratégias são eficientes e levam a melhoressoluções de agrupamento na grande maioria dos casos testados. |
