Uma abordagem baseada em data-splitting para comparar algoritmos de agrupamento hierárquico

• Processo: 20/10861-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2020
• Data de Término da vigência: 31 de outubro de 2021
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Rafael Izbicki
• Beneficiário: Luben Miguel Cruz Cabezas
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Filogenia Aprendizado computacional Agrupamento de dados Predição
• Palavra(s)-Chave do Pesquisador: análise de agrupamento | Aprendizado de Máquina | Predição | Analise de agrupamento

Resumo

Métodos de agrupamento tem o objetivo de agrupar observações que possuem propriedades similares. Diversos métodos foram desenvolvidos ao longo dos anos. Uma questão fundamental na prática é como escolher o método a ser utilizado para um determinado banco de dados. Apesar que várias propostas foram feitas para responder essa questão, nenhuma delas foca em métodos de agrupamento hierárquicos, uma vez que esses não levam a uma única partição das observações. Logo, essas técnicas de avaliação não aproveitam a estrutura única disponibilizada por esses métodos. Neste projeto, propomos uma medida alternativa para comparar algoritmos de agrupamento especifica para métodos hierárquicos. Esta abordagem é baseada na avaliação do poder preditivo de um dado algoritmo através do uso de ferramentas de análise filogenética.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

CABEZAS, LUBEN M. C.; IZBICKI, RAFAEL; STERN, RAFAEL B.. Hierarchical clustering: Visualization, feature importance and model selection. APPLIED SOFT COMPUTING, v. 141, p. 12-pg., 2023-07-01. (20/10861-7, 13/07699-0, 19/11321-9)