Um estudo sobre Processos para avaliação de algoritmos de agrupamento de dados

Autores

  • Aline M. M. Kronbauer Grupo de Pesquisa em Sistemas Inteligentes - Programa de Pós-graduação em Informática – Universidade Federal de Santa Maria (UFSM) Caixa Postal 15.064 – 97105-900– Santa Maria – RS
  • Lisandra Manzoni Fontoura Grupo de Pesquisa em Sistemas Inteligentes - Programa de Pós-graduação em Informática – Universidade Federal de Santa Maria (UFSM) Caixa Postal 15.064 – 97105-900– Santa Maria – RS
  • Ana Trindade Winck Grupo de Pesquisa em Sistemas Inteligentes - Programa de Pós-graduação em Informática – Universidade Federal de Santa Maria (UFSM) Caixa Postal 15.064 – 97105-900– Santa Maria – RS

DOI:

https://doi.org/10.5902/2448190421136

Palavras-chave:

Ciência da Computação, Sistemas de Informação

Resumo

O presente artigo apresenta a ideia de que avaliação de algoritmos de agrupamento de dados é uma tarefa que pode ser abordada utilizando métodos de avaliação orientados a objetivos. A abordagem apresentada baseia-se na metodologia GQM (Goal, Question, Metric) para avaliação de processos e produtos de software. A partir de um determinado problema de agrupamento de dados, utiliza-se a abordagem GQM para estrutura objetivos, perguntas, medidas e métricas permitindo uma melhor estruturação das metas a serem alcançadas o que facilita na avaliação de algoritmos de agrupamento de dados. Um teste de aplicação da abordagem proposta é apresentado, nele o algoritmo k-means é utilizado.

Downloads

Não há dados estatísticos.

Referências

Basili, V. R.; Caldiera, Gianluigi and Rombach, H. Dieter. (2002) The Goal Question Metric Approach.

Faceli, Katti; Lorena, Ana Carolina; Gama, João e Carvalho André, C. P. L. F de. (2011) Inteligência Artificial: Uma Abordagem de Aprendizado de Máquina. (Ed.): LTC. 191-218.

Goldschimidt R.; Passos, E. (2005) Data Mining: um guia prático. Editora Campus, Rio de Janeiro: Elsevier.

Guha, S., Rastogi, R., and Shim K. (1998) CURE: An Efficient Clustering Algorithm for Large Databases. In Proceedings of the ACM SIGMOD Conference.

Halkidi, Maria et al. (2001) On Clustering Validation Techniques, Department os Informatics, Greece.

Jain, A. K, Murty, M. N. e Flynn, P.J. (1999) Data Clustering: A Review. Unal.

Larose, D. T. (2005) Discovering Knowledge in Data, An Introduction to Data Mining. John Wiley & Sons.

Han, Jiawei e Kamber, Micheline. (2006) Data Mining: Concepts and Techniques. (Ed.): Morgan Kaufamn. Segunda Edição. 2006.

Rand, W. M. (1971) Objective criteria for the evaluation of clustering methods. Journal of the American Statistical Association, 66(336):846–850.

Rousseeuw, P. J. (1987) Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics 20, 53–65.

Silva, Carlos V. P. da; Moura, Déborah C. de; Campos, Danylo de C. e Nery, Paulo. (2009) GQM: Goal – Question – Metric.

Shtern, Mark and Tzerpos, Vassilios. (2009) Refining Clustering Evaluation Using Structure Indicators. York University Toronto.

Solingen, Rini van and Berghout, Egon. (1999) The Goal/Question/Metric Method: a practical guide for quality improvement of software development. London. The McGraw-Hill Companies.

Downloads

Publicado

2016-02-03

Como Citar

Kronbauer, A. M. M., Fontoura, L. M., & Winck, A. T. (2016). Um estudo sobre Processos para avaliação de algoritmos de agrupamento de dados. Revista ComInG - Communications and Innovations Gazette, 1(1), 34–45. https://doi.org/10.5902/2448190421136

Edição

Seção

Artigos científicos

Artigos Semelhantes

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.