Métodos de agrupamento difuso aplicados a dados simbólicos poligonais

• Ano de defesa: 2025
• Autor(a) principal: SOUZA, Pedro José Carneiro de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso embargado
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Ciencia da Computacao
• Palavras-chave em Português: Análise de dados simbólicos; Dados poligonais; Agrupamento difuso; Distância adaptativa; Despesas com Saúde Pública
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/66909

Diante do grande volume de dados e da elevada capacidade computacional necessária para analisá-los, a Análise de Dados Simbólicos (ADS) surge como um paradigma poderoso para auxiliar na análise de representações mais complexas, chamadas de dados simbólicos, resultantes da agregação de dados em classes. Dentre as abordagens simbólicas, os dados poligonais se destacam por sua capacidade de encapsular de forma mais rica a informação de dados agregados quando comparados com dados intervalares. Embora a literatura recente tenha introduzido um algoritmo de agrupamento dinâmico rígido (pDCA) para este tipo de dado, a inflexibilidade da alocação exclusiva de objetos a clusters limita a análise de estrutu ras de dados ambíguas ou sobrepostas. Neste contexto, o objetivo principal deste trabalho é desenvolver e formalizar algoritmos de agrupamento difuso para dados simbólicos poligonais, visando oferecer maior flexibilidade e robustez à análise de agrupamento. Partindo do algoritmo pDCAe sua métrica de similaridade, propõe-se inicialmente o Algoritmo de agrupamento di fuso poligonal (FpDCA), o qual estende o método rígido ao incorporar o conceito de graus de pertinência, permitindo que cada polígono pertença a múltiplos clusters simultaneamente, com base em metodologias consolidadas do fuzzy c-means. Adicionalmente, o trabalho avança para o desenvolvimento do Algoritmo de agrupamento difuso poligonal adaptativo (AFpDCA), no qual se introduz um mecanismo de ponderação que atribui um peso de relevância para cada variável em cada cluster, permitindo que o algoritmo aprenda automaticamente quais carac terísticas são mais importantes para a formação de cada grupo específico. A metodologia será validada por meio de experimentos com dados sintéticos gerados em diferentes cenários para avaliar a performance e a robustez dos algoritmos propostos. Para demonstrar a aplicabilidade e usabilidade da metodologia, será conduzido um estudo de caso inédito com dados reais sobre as despesas com saúde pública no Brasil, os quais, originalmente referentes aos municípios, serão agregados por unidades federativas, dando origem às variáveis poligonais. O objetivo da aplicação é utilizar o AFpDCA para identificar e caracterizar perfis distintos de gastos com saúde no país, revelando quais tipos de despesas são mais determinantes para a formação de cada perfil e, assim, gerando insights valiosos para a gestão pública e o planejamento de políticas de saúde.