Métodos de agrupamento com pesos ponderados por grupo para dados simbólicos intervalares

Abstract

O desenvolvimento de métodos para a Análise de Dados Simbólicos é necessário para lidar com dados de elevado grau de complexidade. Diante disso, propomos novos métodos de nuvens dinâmicas utilizando a distância City-Block para dados simbólicos intervalares. Nestes métodos, que são adaptações de dados pontuais, introduzimos o peso do cluster, que busca minimizar problemas recorrentes de agrupamento, como péssima inicialização e obtenção de um mínimo local pobre. Para a validação dos métodos propostos, foram realizados experimentos com dados sintéticos balanceados, desbalanceados e dados reais, nos quais a qualidade do agrupamento foi avaliada por meio do Índice de Rand Ajustado e da Informação Mútua Normalizada. Para os dados sintéticos, foram necessárias a realização da simulação de Monte Carlo e testes estatísticos. Os experimentos evidenciaram que o desempenho dos métodos que utilizam o peso do cluster é superior aos métodos que não o utilizam, mostrando que essa ponderação tem potencial para corrigir os problemas de inicialização e de obtenção de um mínimo local pobre.