Carregando...
Carregando...
Carregando...
No aprendizado não supervisionado, da mesma forma que há regras a serem seguidas nas tarefas de associação de dados para mineração de padrões frequentes, quando tratamos de clusters, cada um resulta em uma característica de conexão que possa melhor representar um determinado conjunto de dados ou atributos.
Em relação à análise de agrupamentos e os seus critérios de agrupamento, avalie as afirmações a seguir a respeito das categorias de critérios de agrupamento e as correlacione com os termos e o uso às quais se referem.
Compactação. Encadeamento. Separação espacial.
Esse critério busca a formação de cluster a partir da identificação de “vizinhos próximos”. É bom para formas arbitrárias, mas é ruim quando há pouca separação espacial. Esse critério considera apenas a distância entre clusters, sendo normalmente utilizado em associação a outros critérios por alguns algoritmos. Esse critério busca regiões com uma variação intracluster pequena, o que normalmente leva à formação de clusters esféricos ou bem separados. No entanto esse tipo de abordagem tende a falhar para formas mais complexas.
Assinale a alternativa que correlaciona adequadamente os dois grupos de informação.
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Esta questão foi verificada por um de nossos administradores.
🎓 Gabarito Comentado (AVA):
A sentença I se enquadra no conceito 2, pois o encadeamento tem como critério que os clusters formados estejam próximos uns dos outros, isso garante uma baixa variância entre eles, entretanto, quando há pouco espaço entre os clusters, pode prejudicar no momento da classificação dos mesmos. A sentença II se enquadra no conceito 3, pois a separação espacial é um critério simples de classificação, somente para a determinação da distância entre os clusters, o próprio critério de encadeamento utiliza a separação espacial para classificação. A sentença III se enquadra no conceito 1, pois a compactação é um critério que busca minimizar o tamanho dos clusters classificados com uma baixa variância entre os conjuntos de dados, fazendo com que eles adquiram formatos esféricos devido a essa baixa variação nos dados.