Agrupamento

O que significa "clustering"?

Os objectos de dados de um determinado conjunto podem ser categorizados em classes homogéneas através do agrupamento.

Clustering ou "análise de clusters" é o termo para uma categoria de algoritmos de aprendizagem automática que ordenam os dados em grupos semelhantes.

Estes grupos são conhecidos como clusters e são determinados pela avaliação do algoritmo do grau de semelhança entre as partes individuais dos dados. O algoritmo agrupa então estas partes com base na sua semelhança.

O agrupamento é uma técnica de aprendizagem automática que pode ser utilizada para agrupar dados semelhantes com base na sua semelhança. Sendo um algoritmo não supervisionado, o agrupamento não requer conhecimento prévio dos dados e funciona exclusivamente com semelhanças dentro dos próprios dados.

A aplicação de algoritmos de agrupamento é muito popular e é utilizada para muitos fins diferentes, desde o agrupamento de clientes ou produtos até à deteção de valores anómalos na banca ou à sua utilização como filtro de spam. Neste artigo, começamos com uma definição de agrupamento antes de introduzirmos os diferentes métodos e algoritmos.

O agrupamento é uma forma de organizar os pontos de dados em grupos. Isto implica procurar semelhanças nos dados, como a idade ou o sexo, e identificar grupos que sejam tão homogéneos quanto possível. Isto significa que os membros de cada grupo são semelhantes de alguma forma, por exemplo, que todos os jovens do sexo masculino estão neste grupo.

O agrupamento funciona sem qualquer conhecimento prévio das entradas que são semelhantes, mas calcula estas semelhanças com base apenas nos próprios dados. Isto faz com que seja um ótimo método para criar segmentos ou grupos sem conhecimento existente e depois derivar conhecimento desses segmentos.

O agrupamento é uma técnica de extração de dados utilizada para agrupar elementos semelhantes com base numa medida de semelhança. São encontrados grupos de dados que são mais semelhantes entre si do que outros grupos.

Existem muitos objectivos para a aplicação do agrupamento. A primeira categoria tem como objetivo combinar pontos de dados semelhantes e, assim, reduzir a complexidade. A outra categoria tenta identificar pontos de dados que não pertencem a um grande grupo e que, por isso, têm caraterísticas especiais. Esta categoria é conhecida como deteção de outliers. Em ambas as categorias, o objetivo é identificar grupos semelhantes para tomar as medidas adequadas.

Há muitas áreas diferentes em que esta visão pode ser aplicada. Quer se trate de agrupamento de clientes, de agrupamento de produtos, de deteção de fraudes ou de filtro de spam - o agrupamento é uma abordagem muito versátil no domínio da aprendizagem automática e da ciência dos dados.