| Texto completo | |
| Autor(es): |
Rodriguez, Mayra Z.
[1]
;
Comin, Cesar H.
[2]
;
Casanova, Dalcimar
[3]
;
Bruno, Odemir M.
[4]
;
Amancio, Diego R.
[1]
;
Costa, Luciano da F.
[4]
;
Rodrigues, Francisco A.
[1]
Número total de Autores: 7
|
| Afiliação do(s) autor(es): | [1] Univ Sao Paulo, Inst Math & Comp Sci, Sao Carlos, SP - Brazil
[2] Univ Fed Sao Carlos, Dept Comp Sci, Sao Carlos, SP - Brazil
[3] Fed Univ Technol, Curitiba, Parana - Brazil
[4] Univ Sao Paulo, Sao Carlos Inst Phys, Sao Carlos, SP - Brazil
Número total de Afiliações: 4
|
| Tipo de documento: | Artigo Científico |
| Fonte: | PLoS One; v. 14, n. 1 JAN 15 2019. |
| Citações Web of Science: | 8 |
| Resumo | |
Many real-world systems can be studied in terms of pattern recognition tasks, so that proper use (and understanding) of machine learning methods in practical applications becomes essential. While many classification methods have been proposed, there is no consensus on which methods are more suitable for a given dataset. As a consequence, it is important to comprehensively compare methods in many possible scenarios. In this context, we performed a systematic comparison of 9 well-known clustering methods available in the R language assuming normally distributed data. In order to account for the many possible variations of data, we considered artificial datasets with several tunable properties (number of classes, separation between classes, etc). In addition, we also evaluated the sensitivity of the clustering methods with regard to their parameters configuration. The results revealed that, when considering the default configurations of the adopted methods, the spectral approach tended to present particularly good performance. We also found that the default configuration of the adopted implementations was not always accurate. In these cases, a simple approach based on random selection of parameters values proved to be a good alternative to improve the performance. All in all, the reported approach provides subsidies guiding the choice of clustering algorithms. (AU) | |
| Processo FAPESP: | 16/19069-9 - Classificação de documentos usando informações semânticas em redes complexas |
| Beneficiário: | Diego Raphael Amancio |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 14/20830-0 - Modelagem e reconhecimento de padrões em textos com redes complexas |
| Beneficiário: | Diego Raphael Amancio |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 15/18942-8 - Associando Redes Complexas com Espaços Efetivos de Atributos |
| Beneficiário: | Cesar Henrique Comin |
| Modalidade de apoio: | Bolsas no Brasil - Pós-Doutorado |
| Processo FAPESP: | 15/22308-2 - Representações intermediárias em Ciência Computacional para descoberta de conhecimento |
| Beneficiário: | Roberto Marcondes Cesar Junior |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |
| Processo FAPESP: | 14/08026-1 - Visão artificial e reconhecimento de padrões aplicados em plasticidade vegetal |
| Beneficiário: | Odemir Martinez Bruno |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 18/09125-4 - Representação, caracterização e modelagem de imagens biológicas utilizando redes complexas |
| Beneficiário: | Cesar Henrique Comin |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Processo FAPESP: | 11/50761-2 - Modelos e métodos de e-Science para ciências da vida e agrárias |
| Beneficiário: | Roberto Marcondes Cesar Junior |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |