02 Passo A Passo Clustering

Conceitos úteis
Distância eucliadiana Distância de Manhatan
ITERAÇÃO 1 DO ALGORITMO K-MEANS
Entrada iteração Processamento iteração

Ponto x y xc1 yc1 xc2 yc2 xc3
1 1 1 1 1 2 2 5
2 2 2 1 1 2 2 5
3 5 5 1 1 2 2 5
4 5 6 1 1 2 2 5
5 1 5 1 1 2 2 5
6 2 6 1 1 2 2 5
Cluster 1 1 1 LEGENDA
Cluster 2 2 2 xc1 = x do centróide do cluster 1 dp = distância do ponto
Cluster 3 5 5 yc1 = y do centróide do cluster 1 c1 = centróide do cluster 1
K-Means - Inicio iteração 1

7
6 6; 6 4; 6
5 5; 5 3; 5
9;
2 2; 2
8;
1 1; 1
7;
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

1 1 1 1 1 1.5 3.5 4
2 2 2 1 1 1.5 3.5 4
3 5 5 1 1 1.5 3.5 4
4 5 6 1 1 1.5 3.5 4
5 1 5 1 1 1.5 3.5 4
6 2 6 1 1 1.5 3.5 4
Cluster 1 1 1 LEGENDA
Cluster 2 1.5 3.5 xc1 = x do centróide do cluster 1 dp = distância do ponto
Cluster 3 4 5.67 yc1 = y do centróide do cluster 1 c1 = centróide do cluster 1

7
6 6; 6 4; 6
9; 5.6666666667
5 5; 5 3; 5
4
8; 3.5
3
2 2; 2
1 1; 1
7;
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

1 1 1 1.5 1.5 1 5 4
2 2 2 1.5 1.5 1 5 4
3 5 5 1.5 1.5 1 5 4
4 5 6 1.5 1.5 1 5 4
5 1 5 1.5 1.5 1 5 4
6 2 6 1.5 1.5 1 5 4
Cluster 1 1.5 1.5 LEGENDA
Cluster 2 1 5 xc1 = x do centróide do cluster 1 dp = distância do ponto

7
6 6; 6 4; 6
9; 5.6666666667
5 5; 5
8; 3; 5
2 2; 2
7; 1.5
1 1; 1
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
4
2 2; 2
7; 1.5
1 1; 1
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

1 1 1 1.5 1.5 1.5 5.5 5
2 2 2 1.5 1.5 1.5 5.5 5
3 5 5 1.5 1.5 1.5 5.5 5
4 5 6 1.5 1.5 1.5 5.5 5
5 1 5 1.5 1.5 1.5 5.5 5
6 2 6 1.5 1.5 1.5 5.5 5
Cluster 1 1.5 1.5 LEGENDA
Cluster 2 1.5 5.5 xc1 = x do centróide do cluster 1 dp = distância do ponto

7
6 6; 6 4; 6
8; 5.5 9; 5.5
5 5; 5 3; 5
2 2; 2
7; 1.5
1 1; 1
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
CLUSTERING
Distância de Manhatan
Processamento iteração Saída iteração

yc3 dp-c1 dp-c2 dp-c3 Cluster Ponto x y
5 0.0 1.4 5.7 Cluster 1 1 1 1
5 1.4 0.0 4.2 Cluster 2 2 2 2
5 5.7 4.2 0.0 Cluster 3 3 5 5
5 6.4 5.0 1.0 Cluster 3 4 5 6
5 4.0 3.2 4.0 Cluster 2 5 1 5
5 5.1 4.0 3.2 Cluster 3 6 2 6
Cluster 1 1 1
dp = distância do ponto Cluster 2 1.5 3.5
c1 = centróide do cluster 1 Cluster 3 4 5.7
1 K-Means - Final iteração 1

7
4; 6 6 6; 6
3; 5
9; 5 5; 5
4
8; 3.5
3
2 2; 2
1 1; 1
7;
0
4 4.5 5 5.5 0.5 1 1.5 2 2.5 3 3.5 4

5.67 0.0 2.5 5.6 Cluster 1 1 1 1
5.67 1.4 1.6 4.2 Cluster 1 2 2 2
5.67 5.7 3.8 1.2 Cluster 3 3 5 5
5.67 6.4 4.3 1.1 Cluster 3 4 5 6
5.67 4.0 1.6 3.1 Cluster 2 5 1 5
5.67 5.1 2.5 2.0 Cluster 3 6 2 6
Cluster 1 1.5 1.5
dp = distância do ponto Cluster 2 1 5

7
4; 6 6 6; 6
9; 5.6666666667
3; 5 5 5; 5
8;
2 2; 2
7; 1.5
1 1; 1
0
4 4.5 5 5.5 0.5 1 1.5 2 2.5 3 3.5 4

5.67 0.7 4.0 5.6 Cluster 1 1 1 1
5.67 0.7 3.2 4.2 Cluster 1 2 2 2
5.67 4.9 4.0 1.2 Cluster 3 3 5 5
5.67 5.7 4.1 1.1 Cluster 3 4 5 6
5.67 3.5 0.0 3.1 Cluster 2 5 1 5
5.67 4.5 1.4 2.0 Cluster 2 6 2 6
Cluster 1 1.5 1.5

7
4; 6 6 6; 6
9; 5.6666666667
8; 5.5
3; 5 5 5; 5
2 2; 2
7; 1.5
1 1; 1
0
4 4.5 5 5.5 0.5 1 1.5 2 2.5 3 3.5 4
4
2 2; 2
7; 1.5
1 1; 1
0
4 4.5 5 5.5 0.5 1 1.5 2 2.5 3 3.5 4

5.5 0.7 4.5 6.0 Cluster 1 1 1 1
5.5 0.7 3.5 4.6 Cluster 1 2 2 2
5.5 4.9 3.5 0.5 Cluster 3 3 5 5
5.5 5.7 3.5 0.5 Cluster 3 4 5 6
5.5 3.5 0.7 4.0 Cluster 2 5 1 5
5.5 4.5 0.7 3.0 Cluster 2 6 2 6
Cluster 1 1.5 1.5

7
4; 6 6 6; 6
9; 5.5 8; 5.5
3; 5 5 5; 5
2 2; 2
7; 1.5
1 1; 1
0
4 4.5 5 5.5 0.5 1 1.5 2 2.5 3 3.5 4
Comentários
- É necessário definir o número 'k' de clusters
- Na primeira iteração, os centróides dos clusters são

definidos aleatoriamente
- Neste exemplo foi usada a distância euclidiana para

calcular a distância entre os pontos
- Para definir o novo centróide do cluster após cada
iteração, foi usado o método average linkage
nal iteração 1
4; 6
9; 5.6666666667
3; 5
3 3.5 4 4.5 5 5.5
Comentários
- O ponto 2 migrou do cluster 2 para o cluster 1
nal iteração 2
4; 6
9; 5.6666666667
3; 5
3 3.5 4 4.5 5 5.5
Comentários
- O ponto 6 migrou do cluster 3 para o cluster 2
nal iteração 3
4; 6
9; 5.5
3; 5
3 3.5 4 4.5 5 5.5

3 3.5 4 4.5 5 5.5
Comentários
- Não houve mais migração de cluster entre os
pontos, por este motivo o algoritmo se encerra na
quarta iteração
nal iteração 4
4; 6
9; 5.5
3; 5
3 3.5 4 4.5 5 5.5

02 Passo A Passo Clustering

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

02 Passo A Passo Clustering

Uploaded by

Copyright:

Available Formats

Conceitos úteis

Distância eucliadiana Distância de Manhatan

ITERAÇÃO 1 DO ALGORITMO K-MEANS

Entrada iteração Processamento iteração

K-Means - Inicio iteração 1

ITERAÇÃO 2 DO ALGORITMO K-MEANS

Entrada iteração Processamento iteração

K-Means - Inicio iteração 2

ITERAÇÃO 3 DO ALGORITMO K-MEANS

Entrada iteração Processamento iteração

K-Means - Inicio iteração 3

ITERAÇÃO 4 DO ALGORITMO K-MEANS

Entrada iteração Processamento iteração

K-Means - Inicio iteração 4

Processamento iteração Saída iteração

1 K-Means - Final iteração 1

Processamento iteração Saída iteração

2 K-Means - Final iteração 2

Processamento iteração Saída iteração

3 K-Means - Final iteração 3

Processamento iteração Saída iteração

4 K-Means - Final iteração 4

- Na primeira iteração, os centróides dos clusters são

- Neste exemplo foi usada a distância euclidiana para

3 3.5 4 4.5 5 5.5

3 3.5 4 4.5 5 5.5

3 3.5 4 4.5 5 5.5

3 3.5 4 4.5 5 5.5

You might also like