Document details

In this work, we present extensions for known subtractive clustering methods. The subtractive clustering method for symbolic interval data (iSBC) as an extension of the subtractive clustering method developed by Chiu (1994), as well as the kernelbased subtractive clustering methods defined by one or two components for symbolic interval data (iKSBC1C and iKSBC2C, respectively) as extensions of a kernel-based subtractiveclusteringmethodproposedbyKimetal. (2005). Inaddition, sixstrategies will be proposed: the centroids of the proposed methods will be given as inputs to the methods K-means for interval data based on L2 distance proposed by De Carvalho, Brito and Bock (2006) (iKM+iSBC, iKM+iKSBC1C and iKM+iKSBC2C) and kernel K-means for symbolic data of the interval-valued developed by Costa (2011) (iKKM+iSBC, iKKM+iKSBC1C and iKKM+iKSBC2C) as a way to minimize the sensitivity of these methods to the choice of the centroid for de nition of the initial partition. Experiments using real data showed that the proposed kernelbased subtractive clustering methods (iSBC1C and iSBC2C) obtained better performance than the iSBC method, as well as the K-means (iKM+iSBC, iKM+iKSBC1C and iKM+iKSBC2C) and kernel K-means (iKKM+iSBC, iKKM+iKSBC1C and iKKM+iKSBC2C) methods, both for symbolic data interval-valued, using the centroids of methods proposed as inputs for them also obtained better performance that the iKM and iKKM methods.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES

Apresenta-se, nesta dissertação, extensões de métodos de agrupamento subtrativoconhecidos. Ométododeagrupamentosubrativoparadadossimbólicosdenatureza intervalar (iSBC) é uma extensão do método de agrupamento subtrativo desenvolvido por Chiu (1994), já os métodos de agrupamento subtrativo baseados em kernel de nidos por uma ou duas componentes para dados simbólicos de natureza intervalar (iKSBC1C e iKSBC2C, respectivamente) são extensões do método de agrupamento subtrativo baseado em kernel proposto por Kim et al. (2005). Além disso, serão propostas seis estratégias: os centróides dos métodos propostos serão dados como entradas para os métodos K-médias para dados do tipo intervalo baseado em distância L2 proposto por De Carvalho, Brito e Bock (2006) (iKM+iSBC, iKM+iKSBC1C e iKM+iKSBC2C) e kernel K-médias para dados simbólicos do tipo intervalo, desenvolvido por Costa (2011) (iKKM+iSBC, iKKM+iKSBC1C e iKKM+iKSBC2C), como forma de minimizar a sensibilidade que esses métodos tem em relação a escolha do centróide para de nição da partição inicial. Experimentos utilizando dados reais mostraram que os métodos subtrativos baseados em kernel propostos (iKSBC1C e iKSBC2C) obtiveram melhor desempenho que o método iSBC, além disso os métodos K-médias (iKM+iSBC, iKM+iKSBC1C e iKM+iKSBC2C) e kernel K-médias (iKKM+iSBC, iKKM+iKSBC1C e iKKM+iKSBC2C), ambos para dados simbólicos do tipo intervalo, utilizando os centróides dos métodos propostos como entradas obtiveram melhor desempenho que os métodos iKM e iKKM.