ASAClu: selecionando clusters diversos e relevantes

• Ano de defesa: 2016
• Autor(a) principal: Almeida, João Luís Baptista de
• Orientador(a): Faceli, Katti
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de São Carlos; Câmpus Sorocaba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Ciência da Computação - PPGCC-So
• Palavras-chave em Português: Cluster (Sistema de computador); Análise por agrupamento
• Palavras-chave em Inglês: Cluster analysis; Clustering
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
• Link de acesso: https://repositorio.ufscar.br/handle/20.500.14289/8805

No clustering algorithm is guaranteed to find actual groups in any dataset. To deal with this problem, many techniques apply various clustering algorithms to a dataset, generating a set of partitions and assessing them to select the most appropriated ones. The problem in selecting partitions is that redundancy can be seen inside partitions, as the same cluster can appear in different partitions. Also, one can underestimate the quality of a cluster, assessing only the quality of a partition. For these reasons, a new selection strategy named ASAClu is aimed at selecting a relevant and diverse subset of clusters instead of partitions, given an initial collection.