Mostrar el registro sencillo del ítem
ASAClu: selecionando clusters diversos e relevantes
dc.contributor.author | Almeida, João Luís Baptista de | |
dc.date.accessioned | 2017-06-01T14:49:58Z | |
dc.date.available | 2017-06-01T14:49:58Z | |
dc.date.issued | 2016-12-12 | |
dc.identifier.citation | ALMEIDA, João Luís Baptista de. ASAClu: selecionando clusters diversos e relevantes. 2016. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, Sorocaba, 2016. Disponível em: https://repositorio.ufscar.br/handle/ufscar/8805. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/8805 | |
dc.description.abstract | No clustering algorithm is guaranteed to find actual groups in any dataset. To deal with this problem, many techniques apply various clustering algorithms to a dataset, generating a set of partitions and assessing them to select the most appropriated ones. The problem in selecting partitions is that redundancy can be seen inside partitions, as the same cluster can appear in different partitions. Also, one can underestimate the quality of a cluster, assessing only the quality of a partition. For these reasons, a new selection strategy named ASAClu is aimed at selecting a relevant and diverse subset of clusters instead of partitions, given an initial collection. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights.uri | Acesso aberto | por |
dc.subject | Cluster (Sistema de computador) | por |
dc.subject | Análise por agrupamento | por |
dc.subject | Cluster analysis | eng |
dc.subject | Clustering | eng |
dc.title | ASAClu: selecionando clusters diversos e relevantes | por |
dc.title.alternative | ASAClu: selecting diverse and relevant cluster | eng |
dc.type | Dissertação | por |
dc.contributor.advisor1 | Faceli, Katti | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4451540730749377 | por |
dc.description.resumo | Nenhum algoritmo de agrupamento garante encontrar grupos reais em qualquer conjunto de dados. Para lidar com esse problema, muitas técnicas aplicam vários algoritmos de agrupamento a um conjunto de dados, gerando um conjunto de partições e avaliando-as para selecionar as mais apropriadas. O problema na seleção de partições é que a redundância pode ser vista dentro de partições, como o mesmo cluster pode aparecer em diferentes partições. Além disso, pode-se subestimar a qualidade de um clusters, avaliando apenas a qualidade de uma partição. Neste trabalho, é proposta uma nova estratégia de seleção chamada ASAClu, que visa selecionar um subconjunto relevante e diverso de cluster em vez de partições, dada uma coleção inicial. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC-So | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.ufscar.embargo | Online | por |
dc.publisher.address | Câmpus Sorocaba | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/6329808970349082 | por |