Aprimoramento do agrupamento de formas com o uso do Bagging

Abstract

Esta tese investiga o aprimoramento de algoritmos de agrupamento adptados à Análise Estatística de Formas (AEF), com foco em dados bidimensionais (2D) e tridimensionais (3D).

O agrupamento de formas geométricas de objetos tem importância significativa em vários cam- pos de estudo, como por exemplo Biologia, Geologia e Medicina. Consequentemente, vários

pesquisadores têm se concentrado no aprimoramento de algoritmos de agrupamento para aná- lise de formas. Nesse sentido, o presente trabalho propõe a combinação de algoritmos clássicos

de agrupamento baseados em particionamento com a técnica de reamostragem Bagging, no contexto de clustering ensembles. Os métodos foram avaliados por meio de experimentos com dados simulados e aplicações em conjuntos de dados reais, utilizando medidas de validação como Índice de Rand e Índice de Fowlkes-Mallows, além do teste de Wilcoxon pareado e uma medida de ganho relativo. Os resultados mostram que a combinação com Bagging melhora

significativamente o desempenho dos algoritmos em diversos cenários. Verificou-se que os ga- nhos de desempenho obtidos com o uso do Bagging são influenciados pelas características dos

dados, especialmente pela quantidade de marcos presentes nas formas analisadas. Além disso, o uso de estratégias de paralelização potencializa a aplicação prática do Bagging, tornando-o

uma abordagem eficaz para aprimorar algoritmos de agrupamento. A tese contribui com evi- dências sobre a eficácia do uso de técnicas ensemble em agrupamento de formas, oferecendo

um referencial útil para futuras aplicações em campos de estudo que se baseiam em dados de formas.