Distribui

1
Caracterização de consumos

• Reconhecimento de padrões
• Cláudio Monteiro

2
Reconhecimento de padrõesFases do processo

• Identificação das características a agrupar
• Cada diagrama representa um pontos a agrupar
• A cada instante de tempo do diagrama
  corresponderá uma dimensão do ponto
• Um grupo de diagramas (cluster) representará uma
  classe de consumo
• O ponto central de um grupo representa o diagrama
  típico de uma classe de consumo
• Algoritmo de agrupamento
• Medida de proximidade, quantifica a similaridade
  entre pontos. Se não se pretender dominância
  entre dimensões será necessário proceder à
  normalização dos diagramas
• Critério de agrupamento, é o processo de
  valorização da medida de proximidade.
• Validação de resultados
• baseada e índices que avaliam a melhor/pior
  separação dos pontos em grupos.
• Interpretação de resultados
• observando os valores médios e variâncias de cada
  grupo
• Relacionando os diagramas de cada grupos com
  informação comercial

3
Reconhecimento de padrõesClassificações de
Algoritmos

• Agrupamento por partição (k-means, k-mode, PAM,
  CLARA, FCM)
• Faz uma partição directa em agrupamentos disjunto
• Agrupamento hierárquico (BIRCH, CURE, ROCK)
• Agrupamento sucessivo de grupos mais pequenos em
  grupos maiores (dendograma)
• Agrupamento por densidade (DBSCAN, DENCLUE)
• Agrupa pontos próximos centrado em zonas de maior
  densidade
• Agrupamento estatístico (k-mean)
• Baseia-se em conceitos estatísticos de
  similaridade (variância, correlação, etc.)
• Agrupamentos conceptuais (k-mode)
• Baseia-se em agrupamentos de dados com critérios
  categóricos (não numéricos)
• Agrupamento difusos (Fuzzy C-means, Fuzzy
  ISODATA)
• Existe possibilidade de sobreposição de
  agrupamentos (um diagrama pode pertencer a várias
  classes diferentes)

4
Reconhecimento de padrõesClassificações de
Algoritmos (de partição)
5
Reconhecimento de padrõesClassificações de
Algoritmos (hierárquicos)
6
Reconhecimento de padrõesConceito do Fuzzy
C-means

• Consiste em minimizar a seguinte função
  objectivo
• Os dados de entrada são n pontos Xp (diagrama).
  Cada ponto é caracterizado por um conjunto de
  dimensões h, Xpx1, x3, ,xh (discretização do
  diagrama em horas).
• O número de agrupamentos k também é especificado
  como dado de entrada.
• Vc é o centro de cada agrupamento c (diagrama
  típico da classe)
• Upc é a função de pertença do ponto Xpp ao
  conjunto c
• d2(Xp,Vc) é a distância entre o ponto p e o
  centro do agrupamento c, medida segundo uma
  determinada métrica
• m é o peso atribuído à pertença, quanto maior o m
  menor será a contribuição dos pontos Xp mais
  afastados dos centros Vc
• Os resultados são os centros de cada agrupamento
  Vc e a pertença de cada ponto a cada agrupamento
  Upc, sendo estas também as variáveis da
  minimização

7
Reconhecimento de padrõesProcesso do Fuzzy
C-means

• Escolher o numero de agrupamentos c e o peso
  atribuído à pertença m
• Definir uma matriz inicial de pertenças Upc, que
  somem 1 para cada um dos pontos
• Encontrar os centros Vc usando a fórmula
• Recalcular as funções de pertença Upc usando a
  fórmula
• O processo repete-se até que o somatório da
  variação da pertença entre iterações seja
  inferior ao erro
• .

Em que
8
Reconhecimento de padrõesFuzzy C-means
9
Reconhecimento de padrõesFuzzy C-means
(indicadores de validação)

• Coeficiente de partição
• Coeficiente de entropia da partição