Agrupamentos / Clustering

Agrupamentos / Clustering

• Filipe Wanderley Lima ([email protected])

2

Roteiro

→ Motivação;→ Conceitos básicos;→ Modelos de clusters;→ K-means;→ Aplicações.

3

Motivação

→ Encontrar conjuntos de dados pode ser fácil, mas classificá-los é custoso;

→ No estágios iniciais de uma investigação, uma análise exploratória dos dados pode ser útil para extrair informações sobre a natureza ou estrutura dos mesmos:↳ Quais sub-populações existem nos dados?

• Quantas são? Quais seus tamanhos?• O que elementos de uma sub-população tem em comum?• Eles são homogênios, ou eles podem ser partidos ainda mais?• Existem outliers?

4

Conceitos básicos

→ Clustering é a tarefa de atribuir um conjunto de objetos em grupos (chamados clusters) de maneira que os objetos em um mesmo cluster são mais similares entre si do que aqueles em outros clusters.

Conjunto de objetos

Clusters

5

Conceitos básicos

→ É considerado um método para aprendizagem não supervisionada:↳ Não se sabe de antemão qual a classificação de cada dado.

40 50 60 70 80 90 100 110 1201.5

1.6

1.7

1.8

1.9

2

2.1

Altura

Peso

Peso Altura Classe85 1,87

?92 1,88

112 2,05105 1,9368 1,6556 1,5848 1,6967 1,62

100 1,80

6

Conceitos básicos

→ Clusters:↳ Varia entre algoritmos;↳ É uma das muitas decisões a serem tomadas na hora de escolher o

algoritmo adequado;↳ Entender os modelos de clusters é a chave para entender as

diferenças entre os vários tipos de algoritmos.

7

Modelos de clusters

→ Constroem modelos baseados na distância de conectividade:↳ Objetos são mais similares a objetos próximos do que a objetos que

estão longe.

→ Um cluster pode ser definido pela distância máxima necessária para conectar as partes do cluster:↳ Difentes distâncias formam diferentes clusters.

→ Os clusters podem ser representados por dendrogramas:

Hierárquicos

A

B

C

D

E

AB

CD

CDE

ABCDE

8

Modelos de clusters

→ Não fornecem uma partição única do conjunto de dados, mas sim uma hierarquia extensiva de clusters que se juntam uns com os outros a certas distâncias;

→ Não são robustos para tratar de outliers.

Hierárquicos

9

Modelos de clusters

→ Representa cada cluster como um simples vetor de média.

Centróides

10

Modelos de clusters

→ Os clusters são modelados usando distribuições estatísticas:↳ Os clusters são definidos como objetos pertencentes

provavelmente a uma mesma distribuição.

→ É um método forte, pois não somente fornece clusters, mas também produz modelos complexos de clusters que podem também capturar atributos de correlação e dependência.

Distribuições

11

Modelos de clusters

→ Definem clusters como regiões de mais alta densidade do que o restante do conjunto de dados;

→ Objetos nas áreas esparças são normalmente considerados como ruídos e pontos de fronteira;

→ Esperam por uma baixa de densidade para detectar as fronteiras dos clusters;

Densidade

K-Means

→ Escolha inicial dos centros:↳ Aleatória.

→ Cálculo da Distância:↳ Distância Euclidiana.

→ Critérios de Parada:↳ Não modificação dos clusters em duas iterações sucessivas.

K-Means

→Exemplo K = 31. Escolher os centros iniciais.2. Associar cada vetor ao cluster mais

próximo.3. Determinar os novos centros.4. Associar cada vetor ao cluster mais

próximo.5. Determinar os novos centros.6. Associar cada vetor ao cluster mais

próximo.7. Não houve alterações.

c2

c1

K-Means

→ Applet intereativo:↳ http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/Appl

etKM.html

Aplicações

→ Agrupar tags por sua relevância:↳ https://addons.mozilla.org/en-US/firefox/addon/search-cloudlet-f

or-google-yah/

Aplicações

→ Clustering resultados de busca.

Aplicações

→ Quantização de vetores para comprimir imagens.

Ciência da computação

Imagem originalK = 10K = 3K = 2

[Bishop, PR ML]

Aplicações

→ Segmentação de imagens:↳ Usado para dividir uma imagem digital em regiões distintas para

detecção de fronteiras ou reconhecimento de objetos.

Ciência da computação

[http://www.cs.brown.edu/~pff/segment/]

Aplicações

→ Sistemas de recomendação:↳ Prever as preferências dos usuários baseado nas preferências de

outros usuários pertencentes ao mesmo cluster.

Ciência da computação

Aplicações

→ Clustering de expressões de dados de genes.

[Eisen et al, PNAS 1998]

Aplicações

→ Agrupamento de resultados de busca:↳ Pode ser usado para criar conjuntos de resultados de busca mais

relevantes.

Internet

[Yippy]

Aplicações

→ Análise de redes sociais:↳ Usado para identificar comunidades entre grandes grupos de

pessoas.

Internet

23

Referências

→ Seminário sobre Categorização/Classificação & Agrupamento da disciplina de Mineração da Web 2011.1

→ Aula sobre Agrupamentos da disciplina de Aprendizagem de Máquina

→ Introductory Applied Machine Learning por Chris Williams and Victor Lavrenko

→ Clustering por Sriram Sankararaman

Dúvidas?