Please use this identifier to cite or link to this item:
https://ric.cps.sp.gov.br/handle/123456789/26411
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | TOMAZELA, Maria das Graças Junqueira Machado | - |
dc.contributor.advisor | FURGERI, Sérgio | - |
dc.contributor.author | PANSONATO, Ramon | - |
dc.contributor.other | ARANTES, Janaine Cristiane de Souza | - |
dc.contributor.other | OLIVEIRA, Giovana Fadini de | - |
dc.date.accessioned | 2024-11-28T17:18:12Z | - |
dc.date.available | 2024-11-28T17:18:12Z | - |
dc.date.issued | 2012-12-12 | - |
dc.identifier.citation | PANSONATO, Ramon. Comparação dos algoritmos k-means e fuzzy c-means, em dados do censo varietal qualitativo da cana-de-açúcar de uma usina do estado de São Paulo, 2012. Trabalho de Conclusão de Curso. (Tecnologia em Banco de Dados) - Faculdade de Tecnologia "Dr. Archimedes Lammoglia", Indaiatuba, 2012. | pt_BR |
dc.identifier.uri | https://ric.cps.sp.gov.br/handle/123456789/26411 | - |
dc.description.abstract | A mineração de dados é a etapa mais importante dentro do processo de descoberta de conhecimento em bases de dados, o KDD - Knowledge Discovery in Databases. Essa etapa consiste em minerar os dados a fim de trazer padrões úteis para um maior entendimento daqueles dados armazenados. As principais tarefas da mineração de dados são, classificação, associação e clusterização. O objetivo desse trabalho foi em pesquisar sobre os algoritmos de clusterização de dados k-means e fuzzy c-means e aplicá-los em uma base contendo dados sobre cana-de-açúcar do estado de São Paulo, com a finalidade de verificar qual deles traz um melhor resultado. O suporte metodológico baseou-se em um levantamento bibliográfico sobre o KDD; levantamento sobre Mineração de Dados focando a parte de clusterização; levantamento sobre lógica fuzzy e de como ocorre a clusterização fuzzy. Foram realizados diversos testes utilizando os recursos de Mineração de Dados da ferramenta MATLAB, como a criação de classes para os dados e a classificação dos mesmos através da técnica KNN – K-nearest neighbor. Os resultados obtidos através dos algoritmos de clusterização foram analisados e comparados através do Microsoft Office Excel e foi possível identificar qual algoritmo traz melhores resultados no agrupamento dos dados, concluindo, então, que para o cenário estudado, o k-means mostrou-se mais eficaz, trazendo melhores resultados do que o algoritmo fuzzy c-means. Tendo que o k-means teve um acerto de 19% na maior classe criada, “Muito Baixa”, e o fuzzy c-means teve 4% de acerto na mesma classe. | pt_BR |
dc.description.sponsorship | Curso Superior de Tecnologia em Banco de Dados | pt_BR |
dc.language.iso | pt_BR | pt_BR |
dc.publisher | 105 | pt_BR |
dc.subject | Mineração de dados | pt_BR |
dc.subject | Banco de dados | pt_BR |
dc.subject | Cana-de-açúcar | pt_BR |
dc.subject.other | Informação e Comunicação | pt_BR |
dc.title | Comparação dos algoritmos k-means e fuzzy c-means, em dados do censo varietal qualitativo da cana-de-açúcar de uma usina do estado de São Paulo | pt_BR |
dc.title.alternative | Comparison of k-means and fuzzy c-means algorithms, using data from the qualitative varietal census of sugar cane from a plant in the state of São Paulo | pt_BR |
dc.type | Monografia | pt_BR |
Appears in Collections: | Trabalhos de Conclusão de Curso |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Ramon Pansonato.pdf Restricted Access | 931.22 kB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.