Vous êtes sur la page 1sur 9

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

ITERAÇÃO 2 DO ALGORITMO K-MEANS

Entrada iteração Processamento iteração


Ponto x y xc1 yc1 xc2 yc2 xc3
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

K-Means - Inicio iteração 2


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

ITERAÇÃO 3 DO ALGORITMO K-MEANS

Entrada iteração Processamento iteração


Ponto x y xc1 yc1 xc2 yc2 xc3
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
Cluster 3 4 5.67 yc1 = y do centróide do cluster 1 c1 = centróide do cluster 1

K-Means - Inicio iteração 3


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

ITERAÇÃO 4 DO ALGORITMO K-MEANS

Entrada iteração Processamento iteração


Ponto x y xc1 yc1 xc2 yc2 xc3
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
Cluster 3 5 5.50 yc1 = y do centróide do cluster 1 c1 = centróide do cluster 1

K-Means - Inicio iteração 4


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

Processamento iteração Saída iteração


yc3 dp-c1 dp-c2 dp-c3 Cluster Ponto x y
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
c1 = centróide do cluster 1 Cluster 3 4 5.7

2 K-Means - Final iteração 2


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

Processamento iteração Saída iteração


yc3 dp-c1 dp-c2 dp-c3 Cluster Ponto x y
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
dp = distância do ponto Cluster 2 1.5 5.5
c1 = centróide do cluster 1 Cluster 3 5 5.5

3 K-Means - Final iteração 3


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

Processamento iteração Saída iteração


yc3 dp-c1 dp-c2 dp-c3 Cluster Ponto x y
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
dp = distância do ponto Cluster 2 1.5 5.5
c1 = centróide do cluster 1 Cluster 3 5 5.5

4 K-Means - Final iteração 4


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