Em análises de agrupamentos, que característica não distingue a aplicação do método das médias das distâncias (hierárquico) do método de K-médias (não hierárquico)?
Passo 1
O enunciado nos pede para apontar uma característica que não diferencia o método hierárquico de médias das distâncias (average linkage) do método não hierárquico de K-médias. Para isso, vamos revisar brevemente as exigências e propriedades de cada um e depois ver o que eles têm em comum.
Passo 2
1. No método hierárquico de médias das distâncias**😗*
– Gera um dendrograma que mostra a fusão sequencial de clusters.
– Não exige que você informe de antemão o número de clusters.
– Calcula distâncias entre clusters como a média de todas as distâncias pares entre os pontos de cada cluster.
– Gera um dendrograma que mostra a fusão sequencial de clusters.
– Não exige que você informe de antemão o número de clusters.
– Calcula distâncias entre clusters como a média de todas as distâncias pares entre os pontos de cada cluster.
Passo 3
2. No método de K-médias**😗*
– É um algoritmo particional não hierárquico, que já trabalha com um número de clusters definido pelo usuário.
– Inicia com centróides escolhidos aleatoriamente ou por algum critério e realoca pontos iterativamente para minimizar a soma das distâncias ao centróide de cada cluster.
– Ao convergir, fornece uma partição plana em grupos sem dendrograma.
– É um algoritmo particional não hierárquico, que já trabalha com um número
– Inicia com
– Ao convergir, fornece uma partição plana em
Passo 4
3. Características comuns**😗*
– Ambos precisam que você defina uma medida de dissimilaridade (por exemplo, distância euclidiana, distância de Manhattan etc.) para comparar pares de objetos.
– Quando as variáveis têm escalas diferentes, em ambos os métodos é recomendável normalizar ou padronizar os dados antes de rodar o algoritmo.
– São técnicas de clustering não supervisionado, sem rótulo de classe prévio.
– Ambos precisam que você defina uma medida de dissimilaridade (por exemplo, distância euclidiana, distância de Manhattan etc.) para comparar pares de objetos.
– Quando as variáveis têm escalas diferentes, em ambos os métodos é recomendável normalizar ou padronizar os dados antes de rodar o algoritmo.
– São técnicas de clustering não supervisionado, sem rótulo de classe prévio.
Resposta
A característica que não distingue a aplicação dos dois métodos é a necessidade de definir uma medida de dissimilaridade (distância) entre os objetos.