Um comparativo entre algoritmos de agrupamento semissupervisionado para particionamento de hierarquias de grupos.

Abstract

Algoritmos de aprendizado semi supervisionado visam preencher lacunas existentes entre as abordagens de aprendizado supervisionada e não supervisionada. Esses algoritmos são projetados para lidar com situações em que há uma quantidade limitada de dados rotulados, mas uma vasta quantidade de dados não rotulados está disponível para treinamento. Essa abordagem híbrida busca aproveitar o melhor dos dois mundos, combinando a orientação do aprendizado supervisionado com a flexibilidade do aprendizado não supervisionado, resultando em modelos mais robustos. Este estudo tem como proposito avaliar a medida semi supervisionada baseada em rótulos, fundamentada em B³ Precision e B³ Recall, utilizada para extração ótima de grupos no framework FOSC. Observamos o desempenho e comportamento da medida de qualidade quando aplicada e diferentes tipos de árvores de hierarquia. Os testes foram aplicados tanto em dados artificiais quanto em dados reais, de diversas áreas e assuntos, contento diferentes aspectos e atributos. Os resultados foram comparados a um medida baseada em restrição. Foi possível observar que vários fatores influenciaram no desempenho dos algoritmos, e que no final, uma das métricas se provou melhor que a outra.