Exportação concluída — 

Uma abordagem multi-objetivo para classificação e análise de dados não rotulados

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Mendonça, Rodrigo Garcia Ribeiro, 1998-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Multiobjective optimization
Cluster analysis
Evolutionary algorithms
Otimização multiobjetivo
Análise por agrupamento
Algoritmos evolutivos
Link de acesso: https://hdl.handle.net/20.500.12733/40751
Resumo: Orientador: Priscila Cristina Berbert Rampazzo
id UNICAMP-30_874cedca06a9b5cec308ebf44fdc5047
oai_identifier_str oai::1529042
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Uma abordagem multi-objetivo para classificação e análise de dados não rotuladosA multiobjective approach for classification and analysis of unlabeled dataMultiobjective optimizationCluster analysisEvolutionary algorithmsOtimização multiobjetivoAnálise por agrupamentoAlgoritmos evolutivosOrientador: Priscila Cristina Berbert RampazzoDissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Ciências AplicadasResumo: A análise de dados não rotulados permanece uma tarefa desafiadora em cenários com grande volume de dados. Em diversos setores especializados, como saúde, monitoramento ambiental e finanças, a coleta de dados em grande escala é recorrente. No entanto, a rotulação dessas informações depende de conhecimento especializado, o que a torna um processo caro e demorado. Surge, assim, a necessidade de métodos capazes de extrair conhecimento a partir de dados não rotulados. Nesse contexto, o uso de algoritmos que permitam a exploração das relações intrínsecas entre os dados pode fornecer percepções valiosas, auxiliando na identificação de padrões ocultos e contribuindo para a tomada de decisão. Métodos tradicionais de agrupamento, baseados em um único critério, apresentam limitações diante de estruturas complexas e heterogêneas, motivando o uso de abordagens multi-objetivo capazes de explorar diferentes perspectivas simultaneamente. Este trabalho propõe uma metodologia que combina agrupamento multi-objetivo com uma etapa de análise pós-otimização. A fase de agrupamento busca refletir formas distintas de organizar os dados, por meio de diferentes medidas de similaridade, para a identificação de padrões nos dados. Em seguida, essas soluções são processadas por dois mecanismos: a propagação de rótulos, que permite ampliar o alcance da classificação a partir de um número reduzido de exemplos anotados, e a avaliação comparativa de métricas, que busca compreender os compromissos entre diferentes alternativas de agrupamento em contextos totalmente não rotulados. Os experimentos realizados em bases sintéticas e reais mostram que a abordagem aumenta a acurácia em cenários com poucos rótulos, mas também evidenciam as limitações das métricas tradicionais quando utilizadas de forma isolada, reforçando a importância de análises complementares. Dessa forma, o método contribui para a exploração eficiente de grandes volumes de dados em áreas onde a anotação é onerosa, possibilitando maior aproveitamento das informações disponíveis e apoiando a tomada de decisão em contextos críticos, como o diagnóstico médico ou a análise de riscosAbstract: The analysis of unlabeled data remains a challenging task in scenarios with large volumes of information. In several specialized sectors, such as healthcare, environmental monitoring, and finance, large-scale data collection is common. However, labeling such information depends on specialized knowledge, making it a costly and time-consuming process. This creates the need for methods capable of extracting knowledge from unlabeled data. In this context, the use of algorithms that explore intrinsic relationships within the data can provide valuable insights, helping to identify hidden patterns and supporting decision-making. Traditional clustering methods, based on a single criterion, present limitations when dealing with complex and heterogeneous structures, motivating the adoption of multiobjective approaches that can explore different perspectives simultaneously. This work proposes a methodology that combines multiobjective clustering with a post-optimization analysis stage. The clustering phase seeks to reflect distinct ways of organizing the data, using different similarity measures to reveal patterns. Subsequently, these solutions are processed through two mechanisms: label propagation, which expands classification coverage from a small set of annotated examples, and comparative metric evaluation, which aims to understand trade-offs among different clustering alternatives in fully unlabeled contexts. Experiments conducted on synthetic and real datasets show that the proposed approach improves accuracy in scenarios with limited labels, while also highlighting the limitations of traditional metrics when applied in isolation, reinforcing the importance of complementary analyses. In this way, the method contributes to the efficient exploration of large data volumes in areas where annotation is costly, enabling greater use of available information and supporting decision-making in critical contexts such as medical diagnosis or risk assessmentAbertoMestradoPesquisa Operacional e Gestão de ProcessosMestre em Engenharia de Produção e de Manufatura[s.n.]Rampazzo, Priscila Cristina Berbert, 1984-Universidade Estadual de Campinas (UNICAMP). Faculdade de Ciências AplicadasPrograma de Pós-Graduação em Engenharia de Produção e de ManufaturaUNIVERSIDADE ESTADUAL DE CAMPINASMendonça, Rodrigo Garcia Ribeiro, 1998-20252025-09-17T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (95 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/40751MENDONÇA, Rodrigo Garcia Ribeiro. Uma abordagem multi-objetivo para classificação e análise de dados não rotulados. 2025. 1 recurso online (95 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Ciências Aplicadas, Limeira, SP. Disponível em: 20.500.12733/40751. Acesso em: 27 abr. 2026.https://repositorio.unicamp.br/acervo/detalhe/1529042Cover: https://repositorio.unicamp.br/capa/capa?codigo=1529042Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2026-04-10T15:31:00Zoai::1529042Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2026-04-10T15:31Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Uma abordagem multi-objetivo para classificação e análise de dados não rotulados
A multiobjective approach for classification and analysis of unlabeled data
title Uma abordagem multi-objetivo para classificação e análise de dados não rotulados
spellingShingle Uma abordagem multi-objetivo para classificação e análise de dados não rotulados
Mendonça, Rodrigo Garcia Ribeiro, 1998-
Multiobjective optimization
Cluster analysis
Evolutionary algorithms
Otimização multiobjetivo
Análise por agrupamento
Algoritmos evolutivos
title_short Uma abordagem multi-objetivo para classificação e análise de dados não rotulados
title_full Uma abordagem multi-objetivo para classificação e análise de dados não rotulados
title_fullStr Uma abordagem multi-objetivo para classificação e análise de dados não rotulados
title_full_unstemmed Uma abordagem multi-objetivo para classificação e análise de dados não rotulados
title_sort Uma abordagem multi-objetivo para classificação e análise de dados não rotulados
author Mendonça, Rodrigo Garcia Ribeiro, 1998-
author_facet Mendonça, Rodrigo Garcia Ribeiro, 1998-
author_role author
dc.contributor.none.fl_str_mv Rampazzo, Priscila Cristina Berbert, 1984-
Universidade Estadual de Campinas (UNICAMP). Faculdade de Ciências Aplicadas
Programa de Pós-Graduação em Engenharia de Produção e de Manufatura
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Mendonça, Rodrigo Garcia Ribeiro, 1998-
dc.subject.por.fl_str_mv Multiobjective optimization
Cluster analysis
Evolutionary algorithms
Otimização multiobjetivo
Análise por agrupamento
Algoritmos evolutivos
topic Multiobjective optimization
Cluster analysis
Evolutionary algorithms
Otimização multiobjetivo
Análise por agrupamento
Algoritmos evolutivos
description Orientador: Priscila Cristina Berbert Rampazzo
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-09-17T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/40751
MENDONÇA, Rodrigo Garcia Ribeiro. Uma abordagem multi-objetivo para classificação e análise de dados não rotulados. 2025. 1 recurso online (95 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Ciências Aplicadas, Limeira, SP. Disponível em: 20.500.12733/40751. Acesso em: 27 abr. 2026.
url https://hdl.handle.net/20.500.12733/40751
identifier_str_mv MENDONÇA, Rodrigo Garcia Ribeiro. Uma abordagem multi-objetivo para classificação e análise de dados não rotulados. 2025. 1 recurso online (95 p.) Dissertação (mestrado) - Universidade Estadual de Campinas (UNICAMP), Faculdade de Ciências Aplicadas, Limeira, SP. Disponível em: 20.500.12733/40751. Acesso em: 27 abr. 2026.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1529042
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1529042
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (95 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1863676531029573632

Registros relacionados