O que justificaria a intenção de aplicar a técnica hierárquica aglomerativa conhecida como Método das Médias das Distâncias (MMD) em um conjunto de dados? E o método não hierárquico ou de partição conhecido como Kmédias?
Passo 1
O enunciado pergunta quando faz sentido usar um algoritmo de clustering hierárquico aglomerativo pelo Método das Médias das Distâncias (MMD) em vez de um algoritmo de partição não hierárquico, o k-médias. O conteúdo é análise de agrupamentos e vamos precisar comparar as características e requisitos de cada técnica.
Passo 2
O Método das Médias das Distâncias (MMD) é uma técnica hierárquica aglomerativa que:
- Não exige que você defina de antemão o número de clusters.
- Constrói uma árvore (dendrograma) que mostra níveis de similaridade entre observações.
- É capaz de revelar estruturas aninhadas nos dados e sugerir cortes em diferentes níveis de granularidade.
- Funciona bem em bases de tamanho moderado, pois exige calcular e atualizar a matriz de distâncias completa (
de memória e tempo).
Você aplicaria o MMD quando quiser explorar como as observações vão se unindo aos poucos, sem ter que escolher
antes, ou quando for importante visualizar hierarquias naturais nos dados (por exemplo, agrupamentos aninhados).
Passo 3
O k-médias é um método de partição que:
- Exige que você fixe o número de clusters
antes de rodar. - Assume que os grupos têm formato aproximadamente esférico (em torno de seus centróides).
- É muito eficiente em grandes bases, operando em
, onde é o número de iterações. - Não fornece informação sobre sub-clusters ou hierarquia interna.
Você escolheria k-médias quando já tiver uma ideia razoável de quantos grupos deseja, precisar de escalabilidade para grandes volumes de dados e aceitar a premissa de clusters convexos e balanceados.
Passo 4
Comparando as duas situações:
- Se seu objetivo é exploração inicial e você não sabe se há 2, 3 ou 4 grupos, o MMD permite folga para testar diferentes cortes no dendrograma.
- Se seus dados são muito volumosos e você já sabe ou suspeita de um valor de
, o k-médias traz desempenho e simplicidade. - Para formas de cluster irregulares ou hierarquias (sub-grupos dentro de grupos), o MMD é mais indicado; para clusters bem separados e aproximadamente circulares, o k-médias costuma dar conta do recado.
Resposta
Use o MMD sempre que você precisar explorar hierarquias naturais, não souber quantos grupos existem e trabalhar com bases de tamanho moderado.
Use o k-médias quando quiser um método rápido e escalável, já tiver um em mente e assumir clusters convexos e balanceados.
Use o k-médias quando quiser um método rápido e escalável, já tiver um