Agrupamento de Dados Baseado em Dinâmica de Troca de Energia

• Roberto Alves Gueleri USP
• Zhao Liang USP

Resumo

Apresentamos um método de agrupamento de dados baseado em dinâmica de troca de energia. No ińıcio, a cada objeto é atribúıdo um estado de energia. O processo de agrupamento consiste então na gradativa troca de energia entre os objetos. Quando dois deles atingem estados de energia suficientemente semelhantes, eles são agrupados. A distância que separa cada par de objetos define seu grau de interação. Assim, esse método tende a agrupar gradualmente as regiões com maior densidade de objetos. O caráter natural e dinâmico desse método mostra resultados interessantes. Simulações com dados artificiais e reais procuram mostrar as potencialidades e limitações desse método.

Referências

Uci machine learning repository. Dispońıvel em [link]. Acessado em maio de 2011.

Abraham, A., Das, S., and Roy, S. (2007). Soft Computing for Knowledge Discovery and Data Mining, chapter Swarm Intelligence Algorithms for Data Clustering. Springer Verlag.

Alpaydin, E. (2004). Introduction to Machine Learning. The MIT Press.

Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Information Science and Statistics. Springer.

Blatt, M., Wilseman, S., and Domany, E. (1997). Data clustering using a model granular magnet. Neural Computation, 9(8):1805–1842.

Castro, L. N. (2007). Fundamentals of natural computing: an overview. Physics of Life Reviews, 4(1):1–36.

Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series in Statistics. Springer, 2. edition.

Jain, A. K., Murty, M. N., and Flynn, P. J. (1999). Data clustering: A review. ACM Computing Surveys, 31(3).

Mitchell, T. M. (1997). Machine Learning. McGraw-Hill Series in Computer Science. McGraw-Hill.

Oliveira, T. B. S. (2008). Clusterização de dados utilizando técnicas de redes complexas e computação bioinspirada. Master’s thesis, Instituto de Ciências Matemáticas e de Computação – Universidade de São Paulo – São Carlos.

Xu, R. and Wunsch, D. (2005). Survey of clustering algorithms. IEEE Transactions on Neural Networks, 16(3):645–678.

Zhao, L., Damiance Jr., A. P. G., and Carvalho, A. C. P. L. F. (2005). Advances in Natural Computation, volume 3610 of Lecture Notes in Computer Science, chapter A Self-organized Network for Data Clustering. Springer.

Zhu, X. (2005). Semi-supervised learning literature survey. Computer Sciences, University of Wisconsin-Madison, n. 1530.