Aplicação dos métodos K-means e DBSCAN em uma análise de solo

Abstract

Este trabalho apresenta a visualização dos métodos de agrupamento K-Means e DBSCAN, além de encontrar a quantidade ideal de clusters para o método K-Means utilizando os métodos Elbow e Silhuette em uma análise de química de solo. Utilizando a linguagem python e suas bibliotecas para análises de dados, foi possível verificar que o método de agrupamento DBSCAN retornou apenas um único cluster. Para o método K-Means, foram aplicados os métodos Elbow e SIlhuette para encontrar os valores de clusters ideais, sendo que o método Elbow fornece a quantidade de 5 clusters e o método Silhuette fornece a quantidade de 2 clusters. Tal diferença pode ser explicada pela homogeneidade das entidades da base de dados. Com esses resultados, conclui-se que o método K-Means com o coeficiente de SIlhuette resultam em valores coerentes nessa análise de dados.