Métodos hierárquicos e DBSCAN

k-Means pressupõe grupos redondos, de tamanhos semelhantes, e um k fixo. Quando isso não funciona, outros algoritmos lidam com formas e densidades mais complexas. 🔍

O agrupamento hierárquico combina repetidamente os dois grupos mais próximos, construindo uma árvore de grupos aninhados de baixo para cima.

Essa árvore é desenhada como um dendrograma. Corte-a na altura escolhida, e os ramos abaixo dela se tornarão seus grupos.

Uma vantagem real é não precisar definir k no início. Você examina o dendrograma e decide depois onde cortá-lo.

A forma de medir a distância entre grupos depende da ligação, como ward, média ou completa.

DBSCAN adota uma perspectiva diferente: trata os grupos como regiões densas de pontos separadas por intervalos menos densos.

DBSCAN precisa de um raio de vizinhança eps e de uma quantidade mínima de pontos. Juntos, eles definem o que significa ser suficientemente denso.

Diferentemente do k-Means, o DBSCAN descobre sozinho o número de grupos a partir da densidade dos seus dados.

Os pontos em áreas esparsas são marcados como ruído com o rótulo menos um, em vez de serem forçados a entrar em um grupo.

Como segue a densidade, o DBSCAN consegue identificar grupos longos, curvos ou com formatos incomuns que o k-Means dividiria.

Use o agrupamento hierárquico para explorar uma estrutura aninhada e o DBSCAN para formas irregulares com tratamento integrado de valores discrepantes.

Vamos confirmar uma característica marcante do DBSCAN.

O agrupamento hierárquico constrói um dendrograma que você corta, enquanto o DBSCAN encontra grupos densos de qualquer formato e identifica o ruído. 🎯