Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Para agrupar seus dados, siga estas etapas:
Preparar dados.
Crie uma métrica de similaridade.
Executar o algoritmo de agrupamento.
Interprete os resultados e ajuste o agrupamento.
Esta página apresenta brevemente as etapas. Vamos nos aprofundar nas seções
seguintes.
Preparar dados
Como em qualquer problema de ML, é necessário normalizar, dimensionar e transformar os dados de atributos
antes de treinar ou ajustar um modelo com esses dados. Além disso, antes de
fazer a clusterização, verifique se os dados preparados permitem calcular com precisão a
semelhança entre os exemplos.
Criar métrica de similaridade
Antes que um algoritmo de agrupamento possa agrupar dados, ele precisa saber o quão semelhantes
são os pares de exemplos. É possível quantificar a semelhança entre exemplos
criando uma métrica de semelhança, o que exige uma compreensão cuidadosa dos
dados.
Executar algoritmo de agrupamento
Um algoritmo de agrupamento usa a métrica de similaridade para agrupar dados.
Este curso usa k-means.
Interpretar os resultados e fazer ajustes
Como a agregação não produz nem inclui uma "verdade" que possa
ser verificada, é importante verificar o resultado com base nas suas
expectativas no nível do cluster e do exemplo. Se o resultado
parecer estranho ou de baixa qualidade, tente as três etapas anteriores. Continue
iterando até que a qualidade da saída atenda às suas necessidades.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Não contém as informações de que eu preciso","missingTheInformationINeed","thumb-down"],["Muito complicado / etapas demais","tooComplicatedTooManySteps","thumb-down"],["Desatualizado","outOfDate","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Problema com as amostras / o código","samplesCodeIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 2025-02-25 UTC."],[[["Data needs to be prepared through normalization, scaling, and transformation before using it for clustering."],["A similarity metric is crucial for clustering algorithms as it quantifies how similar data points are to each other."],["The k-means algorithm is employed in this course to group data based on the defined similarity metric."],["Evaluating and adjusting clustering outcomes is an iterative process involving reviewing cluster quality and individual data point assignments."]]],[]]
