Clustering automático baseado em metaheurísticas inspiradas na natureza

• Processo: 17/06142-2
• Linha de fomento: Bolsas no Brasil - Iniciação Científica
• Vigência (Início): 01 de junho de 2017
• Vigência (Término): 31 de maio de 2018
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Adriane Beatriz de Souza Serapião
• Beneficiário: Maynara Natalia Scoparo
• Instituição-sede: Instituto de Geociências e Ciências Exatas (IGCE). Universidade Estadual Paulista (UNESP). Campus de Rio Claro. Rio Claro , SP, Brasil
• Assunto(s): Inteligência computacional Inteligência coletiva

Resumo

O agrupamento de dados (data clustering) é uma das mais importantes técnicasnão supervisionadas de gerenciamento de dados, usada em muitas aplicações científicase de engenharia, tais como aprendizagem de máquina, mineração de dados,reconhecimento de padrões e processamento de imagem. Consiste em dividir umconjunto de dados em subconjunto menores, chamados de clusters. A partição doconjunto é obtida através do estabelecimento de uma função que atribua os objetos doconjunto de dados em cada subconjunto, de modo que os objetos semelhantes entre sifiquem no mesmo cluster. Um problema fundamental na análise de clustering édeterminar a melhor estimativa do número de clusters, que é conhecido como problemade clustering automático. A dificuldade na escolha do número de clusters adequadodeve-se à falta de conhecimento prévia do domínio da aplicação, especialmente quandoos dados têm muitas dimensões, quando os clusters diferem amplamente em forma,tamanho e densidade e quando existe sobreposição entre os grupos. Neste projeto, trêsalgoritmos de Inteligência Coletiva serão utilizados para o problema de clusteringautomático em conjuntos de dados numéricos. Tais algoritmos serão desenvolvidos paraotimizar critérios de divisão, usando medidas de clusterização, a fim de encontrar onúmero ótimo de clusters e as coordenadas de seus centroides. Os métodos deotimização bioinspirados Whale Optimization Algorithm, Cuckoo Search e Cat SwarmOptimization serão adaptados para efetuar o agrupamento utilizando a abordagem departicionamento. Para a avaliação dos resultados destes algoritmos para o clusteringautomático serão usados índices de validação internos e externos.