Reinado et al _CISTI..

Uso de Clusterização em Dados Espaciais para
Extração de Conhecimentos
Clustering of Spatial Data for Knowledge Extraction
Eduardo S. Martins, Marcos Ribeiro,
Jugurta Lisboa-Filho
Depto. de Informática
Univ.Federal de Viçosa
Viçosa, MG, Brasil
{eduardo.martins,
marcosh.ribeiro,jugurta}@ufv.br
Francisco Reinaldo, Ademir Freddo
Luís Paulo Reis
Depto Acadêmico de Informática
Univ. Tec. Federal do Paraná
Fco. Beltrão, PR, Brasil
{reinaldo,freddo}@utfpr.edu.br
Depto de Sistemas de Informação
Univ.do Minho
Minho, Portugal
[email protected]
Resumo — Infraestruturas de Dados Espaciais (IDE) são
repositórios de grandes volumes de dados, documentados por meio
de metadados padronizados. A Mineração de Dados (“data
mining”) está entre as principais técnicas utilizadas para se extrair
conhecimento de grandes quantidades de dados, devido à sua
versatilidade e capacidade para lidar com conjuntos de dados de
elevada dimensão. O objetivo deste artigo consiste em utilizar
técnicas de agrupamento e mineração de dados para extrair
relacionamentos e conhecimento a partir de metadados em IDEs.
Com este objetivo, técnicas de descoberta de conhecimento,
agrupamento, mineração em texto e algoritmos de mineração de
dados foram utilizados. A fim de demonstrar a eficácia do método
proposto, um estudo de caso foi implementado para avaliar o
comportamento de técnicas de mineração de dados neste tipo de
base de dados. Os resultados apresentaram que o processo de
mineração de dados e as técnicas de agrupamento nortearam o
método da classificação proposto para extrair relacionamentos e
conhecimento a partir de um grupo de metadados extraído de
dentro da base de dados.
Palavras Chave - Infraestrutura de Dados Espaciais;
formatação; Mineração de Dados; Clusterização.
Abstract — Spatial Data Infrastructures (SDI) are repositories of
large volumes of data, documented through standardized
metadata. Data mining is one of the main techniques used to
extract knowledge from large amounts of data, because of its
versatility. The purpose of this article is to use clustering
techniques and data mining to extract relationships and
knowledge from metadata in SDI. For this reason, knowledge
discovery techniques, clustering, text mining and data mining
algorithms were used. In order to demonstrate the effectiveness of
the proposed method, a case study was implemented to evaluate
the performance of data mining techniques in this type of
database. The results showed that the data mining process and
clustering techniques guided to the classification proposed method
for extracting relations and knowledge from a group of metadata
extracted from within the database.
Keywords - Spatial Data Infrastructure; Data Mining;
Technique of Clustering.
I. INTRODUÇÃO
O conhecimento, como estrutura de condição em regras de
produção, utiliza-se da análise de dados que não podem ser
descobertos ou identificados por sistemas convencionais [1]. De
acordo com Ravikumar e Gnanabaskaran [2] e Hamed et al. [3]
o desafio consiste em extrair conhecimento válido a partir desta
massa de dados e evitar falhas em uma possível tomada de
decisão.
O crescente volume de dados espaciais, em consonância com
a utilização de Infraestrutura de Dados Espaciais (IDE), aliado à
necessidade de transformá-los em conhecimento, têm
demandado investimentos em pesquisas da comunidade
científica e da indústria de software [4]. Pesquisas demonstram
que os metadados por IDE realizam a descoberta, avaliação,
acesso e uso de funções, suportam a interoperabilidade dos
dados e geram conhecimento [5]. Aditya e Kraak [6] propuseram
o desenvolvimento evolutivo de interfaces de pesquisa das IDEs
e mecanismos de mineração de dados em catálogos de
metadados a utilizar mapas e gráficos que apoiem a descoberta
de recursos geoespaciais. Neste mesmo contexto, Silva [7]
apresentou um mecanismo de busca semântica através do
entendimento do contexto. Também Azevedo [8] definiu um
modelo capaz de explorar as características espaciais do padrão
XML (eXtensible Markup Language) e avaliar o impacto em
sistemas de recuperação de dados e sua capacidade de tratar
diferentes tipos de documentos XML. Entretanto, todas estas
pesquisas não utilizam o processo de mineração de dados para
extrair conhecimento a partir de uma coleção de metadados em
uma IDE a utilizar agrupamento de dados.
Este artigo utiliza as técnicas de mineração de dados [17] e
o e uso da abordagem de Han e Kamber [14] com método de
agrupamento por k-means para extrair relacionamentos de dados
e conhecimento informacional de um estudo de caso que
envolve um grupo de metadados em IDE.
II.
ESTUDO DE CASO: MINERAÇÃO DA BASE DE DADOS DO
IBGE
Esta seção apresenta o experimento realizado em quatro
etapas: (a) criação da base de metadados; (b) preparação dos
dados, (c) transformação dos dados e (d) mineração de dados. A
base de dados do Instituto Brasileiro de Geografia e Estatística
(IBGE) foi escolhida pelo volume dos dados, integridade e por
ser livre para consulta.
A. Criação da Base de Metadados
A base de metadados foi construída pelos passos a seguir:
a) As variáveis “título”, “resumo” e “palavra_chave”
pertencentes ao conjunto de dados inicial foram
identificadas e selecionadas devido as características
semânticas. Isto permitiu direcionar a caracterização do
metadados. Na sequência, os formatos foram escolhidos
e normalizados, e os metadados foram transferidos para
uma base de dados local;
b) A medida de similaridade ou distinções em padrões e
estrutura XML dos metadados foi definida;
c) Os metadados foram classificados em uma estrutura XML
uniforme, contendo campos (colunas de tabela) de
características semânticas, tais como resumo e palavra;
d) Um arquivo XML unificou e armazenou os metadados. A
Fig. 1 traz uma amostra de dados extraídos da base
obtida.
Figura 1. Exemplo de metadados gerados a partir do XML
Com os metadados armazenados em uma base de dados, a
próxima etapa iniciou com a fase de preparação dos dados para
aplicar o processo de stemming.
B. Preparação dos Dados
A partir da base de dados criada na etapa anterior e com o
objetivo de padronizar e reduzir as palavras a um
radical, foram utilizadas as técnicas: remoção de
stopwords, identificação do radical (processo de
stemming) e removedor de sufixos pela aplicação do
algoritmo RSLP(Removedor de Sufixos da Língua
Portuguesa) [18]. Este algoritmo aplica regras e
exceções para realizar na palavra as seguintes reduções:
plural, adverbial, feminino, aumentativo, nominal e
verbal, além de fazer a remoção de vogais temáticas e
acentuação.
Portanto, nesta preparação de dados foram realizadas as
seguintes subtarefas:
a) carregar os metadados da base;
b) pré-processar os campos “resumo” e “palavra_chave”;
c) capturar os radicais resultantes do pré-processamento e
gerar dois arquivos de entrada para o algoritmo RSLP;
d) executar o algoritmo RSLP e iniciar o processo de
stemming a fim de gerar dois arquivos de saída que irão
conter os radicais no campo “resumo” e “palavra
chave”;
e) copiar seus conteúdos para uma nova tabela a ser
composta por id_base, resumo e palavra-chave.
A Fig.2 ilustra uma parte dos dados depois do processo de
stemming concluído.
Figura 2. Exemplo dos metadados após o processo stemming.
A radicalização das palavras (radicais) no banco de dados
permitiu detectar e remover inconsistências, entre elas pronomes
e artigos. Assim, a preparação dos metadados ficou apta para a
etapa de transformação dos dados.
C. Transformação dos Dados
Para agrupar os dados, uma frequência mínima, selecionouse 25% dos radicais mais relevantes dentro dos 4296 registros de
metadados. Esta seleção foi motivada pela constatação de que os
radicais ocorriam de forma bastante ocasional na base e boa
parte destes radicais não contribuiriam ou até mesmo não
atrapalhariam a obtenção de resultados interessantes após a
aplicação da mineração de dados.
Os radicais selecionados foram: “cart”, “cartograf”,
“abrang”, “folh”, “geograf”, “integr”, “latitude”, “longitude”,
“matric”, “mg, “quadrilater”, “rj”, “topograf” e “vetor”. Em
seguida, uma matriz de dados foi preenchida com o status 1
(existência) ou o status 0 (ausência) dos radicais em cada
instância de metadados. Um excerto da tabela contendo dados e
radicais preenchidos é apresentado na Fig. 3.
Figura 3. Exemplo da transformação dos dados para matriz binária
Com a fase de transformação dos dados concluída, passou-se
para a etapa de mineração dos dados.
D. Mineração dos Dados
Esta fase utilizou Weka [19] versão 3.6.4 para minerar e
agrupar os dados da matriz da etapa anterior.
Os parâmetros foram ajustados para executar k-means, em:
a) número de clusters configurados para 2, 4, 6, 8 e 20, uma
vez que não se prevê o número de clusters em resultados
satisfatórios;
b) números aleatórios gerados para escolha dos centroides
iniciais foi ajustada com diferentes valores para 10, 25,
50 e 100, pois o algoritmo é sensível à escolha inicial
dos centroides;
c) distância euclidiana é o parâmetro disponível na Weka
para o cálculo de proximidade entre os radicais da
Matriz Binária, conforme Fig. 3, uma vez que a matriz
possui informações numéricas, i.e., a palavra existe
(status 1) na tupla ou não (status 0). Também, o
intervalo de 0 para 1 foi medido como se lê em
similaridade = 1 se X = Y (onde X, Y são dois objetos)
e similaridade = 0 se X ≠ Y. Isto permitiu (i) encontrar
grupos de objetos no formato esférico ou de árvore [4],
(ii) localizar e contabilizar uma determinada palavra,
(iii) mensurar a similaridade entre registros e
(iv) agrupá-las no cluster;
em cada cluster conforme palavra selecionada são identificados
na imagem por presença (1) ou ausência (0). Nesta vertente, um
potencial classificador para o conjunto de metadados seria a
palavra que, após a análise das características dos resultados,
ocorresse em um dos agrupamentos. Esta semelhança com a
maioria dos registros seria utilizada como referência em um
método que identifica e categoriza que aquela instância
pertencente.
Dentre os radicais observados, o resultado "cart" e "cartograf"
destacaram-se por possuírem as mesmas características, como se
apresenta nas Fig. 4 e 5. Pode-se observar que se o radical "cart"
ou "cartograf" está ausente (status 0) em uma instância, então
está no agrupamento do canto inferior direito, enquanto na
maioria das vezes que o radical está presente (status 1) o registro
está no agrupamento no canto superior esquerdo. Deste
comportamento, infere-se que os radicais como potenciais bons
classificadores desse conjunto de metadados são também
referências para os organizar.
d) modo de treinamento escolhido foi “use training set” pois
trabalha com todo o conjunto de dados e obtém clusters
sem utilizar a técnica de validação cruzada.
Os ajustes dos parâmetros configurados basearam-se na
experimentação empírica do pesquisador, a fim de identificar o
melhor resultado para realização da análise e interpretação dos
resultados que poderiam ser obtidos. Com os resultados obtidos
na fase de mineração, passou-se para a fase de visualização,
análise e discussão destes resultados.
III.
ANÁLISE E DISCUSSÃO DOS RESULTADOS
Esta seção divide-se em três fases. A primeira fase identifica
radicais dentro das instâncias de metadados que possuem
potencial para serem correlacionadas com uma classe (categoria)
para o conjunto de metadados. A segunda fase analisa os
comportamentos dos radicais e suas relações dentro dos clusters.
A terceira fase avalia e classifica (categorizar) inicialmente os
agrupamentos das instâncias de metadados em cada
agrupamento.
Figura 4. Características dos resultados: a palavra “cart”.
A. Identificar Potenciais Radicais Classificadores (Fase I)
Nesta fase, o algoritmo k-means foi parametrizado em: 2
clusters, 500 iterações, semente aleatória como 10, 25, 50 e 100
e medida de distância euclidiana. A escolha do número de
clusters representa o mínimo de agrupamentos a compreender e
visualizar os resultados. A parametrização da semente para gerar
os números aleatórios foi inspirada em [1]. O número de
iterações foi definido para o algoritmo não convergir ou
convergir muito lentamente para uma pseudossolução
satisfatória na distribuição das instâncias (registros da base) em
clusters.
Weka apresentou os resultados em clusters para visualizar a
ocorrência de cada palavra em um dado agrupamento. Os
clusters nas cores azul (canto superior esquerdo) e vermelho
(canto inferior direito), foram definidos por cluster 0 e cluster 1.
Os parâmetros do eixo X são as informações de cluster e do eixo
Y são as informações dos radicais. As instâncias de metadados
Figura 5. Características dos resultados: a palavra “cartograf”.
A Fig. 6 ilustra a dificuldade em identificar distribuições
“bem-comportadas” de instâncias nos agrupamentos com a
palavra “matric”.
Fig. 6. Características dos resultados: a palavra “matric”.
A partir destes resultados e para investigar se os radicais
“cart” e “cartograf” eram realmente bons classificadores,
utilizou-se novamente o algoritmo k-means, porém com uma
ligeira modificação nos valores dos parâmetros, onde apenas a
opção “modo de treinamento” foi alterada de “use training set”
para “class to clusters evalution”. Este modo permite que se
arbitre um atributo classe para as instâncias, que será ignorado
pelo algoritmo de agrupamento e, após a obtenção dos
agrupamentos, estes são checados com o atributo classe. Do
resultado obtido dessa nova parametrização, observou-se o
percentual de erros para os radicais “cart” e “cartograf”,
identificado pela informação “incorrectly clustered instances”.
O índice de erros para os dois radicais foi menor que 1%,
respectivamente 0.93% e 0.97%, demonstrando um percentual
aceitável para se considerar estes radicais como possíveis
classes dos metadados. Para exemplificar o resultado de um
mau classificador, a palavra “matric” obteve 44.78%.
B. Analisar Comportamentos e Relações dos Radicais dentro
dos Clusters (Fase II)
Os radicais “cart” e “cartograf” foram identificadas dentro
do conjunto de radicais como potenciais bons classificadores.
De posse desta informação, os resultados foram analisados em
duas etapas:
Etapa 1) Identificar o mais promissor valor de k: uma
possível faixa de valores de k clusters, sendo 2, 4, 8, 10 e 20,
foi empiricamente proposta para se obter clusters dos
metadados mais adequados. A taxa de erro quadrático com o
menor resultado de cada cluster foi utilizada como critério de
seleção para escolha do melhor número de clusters dos
metadados dentro dos centroides.
Dentre os resultados, o valor de k = 8 clusters apresentou o
resultado mais promissor do algoritmo k-means com a menor
taxa de erro quadrático e representou o melhor número de
cluster para análise. Observou-se que o erro quadrático
começou alto com k = 2 (7149.0), diminui com k = 4 (5724.0),
alcançou o resultado promissor com k = 8 (699.0) com uma
queda brusca, subiu com k = 10 (2538.0), e com k = 20 (1551.0)
teve-se uma queda. A Fig. 7 apresenta o resultado com a palavra
“cart” e seu melhor número de clusters encontrado.
Figura 7. O melhor número de clusters encontrado.
Etapa 2) Tabular o comportamento dos radicais em cada
cluster para análise: o comportamento e a relações de cada
palavra dentro dos clusters foi obtida com outros radicais ou
conjunto de radicais. A Tabela I mostra a tabulação dos
comportamentos dos radicais.
Tabela I. Resultado tabulado do comportamento dos radicais
em cada cluster.
Cada palavra foi analisada com clusters para detectar se está
presente ou ausente. Assim, o status 0 nas células da Tabela I
indica que o radical está predominantemente ausente nos
registros que compõem aquele cluster, enquanto o status 1
indica que o radical está predominantemente presente nas
instâncias que compõem tal agrupamento.
C. Categorizar os Agrupamentos (Fase III)
Esta etapa teve como objetivo avaliar e classificar os
agrupamentos das instâncias de metadados gerados em Weka.
Inicialmente, a palavra classificadora “cart” foi escolhida para
visualizar os agrupamentos feitos em instâncias de metadados
que estão relacionadas a ele. Em seguida, as instâncias foram
utilizadas como referência para visualizar o conteúdo de outros
campos dos metadados, como título, “resumo” e
“palavra_chave”. Estes campos foram consultados na base de
dados e serviram de apoio para análise, avaliação e classificação
dos metadados em cada cluster. Para exemplificar, a captura de
tela da Fig. 8, lista o conteúdo de algumas instâncias que
compõem o cluster 0. Pode-se notar a semelhança de natureza
em seus conteúdos.
Figura 8. Parte do conteúdo dos metadados no cluster 0.
Embora a coluna “título” não tenha considerado o processo
de mineração para a classificação dos metadados, houveram
analogias e relacionamentos com os conteúdos apresentados
nas colunas “resumo” e “palavra-chave” em cada cluster na
classificação.
Após análise e avaliação dos conteúdos dos metadados feitos
para cada cluster, foi possível classificar metadados neles
representados. O resultado da classificação é demonstrado na
Tabela II.
TABELA II.
CLASSIFICAÇÃO DO CONJUNTO DE METADADOS POR CLUSTER
pode ser visto com os radicais “cart”, “cartograf”, “abrang”,
“folh”, “geograf”, “integr”, “latitude”, “longitude”,
“quadrilater” e “topograf”. Quando estão de maneira conjunta
no cluster, ajudam a caracterizar “carta topográfica” conforme
demonstrado na tabela acima na coluna clusters em 0, 2, 3 e 7.
Outro exemplo está nos radicais “abrang”, “folh”, “geograf”,
“integr”, “latitude”, “longitude” e “quadrilater”. Se presentes,
de maneira conjunta e os radicais “cart” e “cartograf” estão
ausentes no cluster, pode-se afirmar que ajudam a caracterizar
“mapas de vegetação”, “cartograma digital”, “cartas
aeronáutica de pilotagem”, “cartas aeronáutica mundial”,
“folha”, “modelo digital de elevação”, exceto, “carta
topográfica” conforme demonstrado nos clusters 1 e 4.
Já a ausência em conjunto de todas os radicais no cluster,
caracteriza a classificação de um “Ortofoto” conforme
apresentado no cluster 5, não existe relação destes radicais com
as que a caracterizam.
Ao analisar o comportamento dos radicais “vetor” e
“matric” de forma isolada nos clusters 6 e 7, percebe-se que as
classificações feitas não seriam corretas devido ausência da
palavra no cluster, mas ao avaliar o conteúdo e o conjunto de
comportamentos de forma conjunta com radicais, classificou-se
como “carta topográfica vetorial” e “carta topográfica
matricial”.
A observação feita na palavra “mg” no cluster 7 está
ajustada para indefinido (I) na Tabela I. Durante o processo de
classificação percebeu-se que a presença “mg” dentro do
cluster 7 foi baixa, mas não inexistente e por isso atribuiu-se o
status I na coluna “observação”.
Estes foram os principais fatores que se destacaram ao
analisar as instâncias de metadados dentro de cada cluster e
ajudaram na definição da classificação.
IV.
CONCLUSÕES
O artigo aplicou a mineração de dados utilizando a técnica
de agrupamento em uma base de metadados de uma IDE. A base
de metadados foi gerada e evoluída por etapas que possibilitaram
demonstrar na prática os passos para a mineração de dados e a
extração do conhecimento.
Apesar da base possuir metadados de natureza parecida, e
isto dificulta a descoberta de conhecimento útil, foi possível
extrair relações e conhecimento, por exemplo, descobrir os
radicais classificadores dos metadados, as relações do conjunto
de outros radicais associados a estas e as categorias (classes) dos
conjuntos de metadados. Também os radicais “cart” e
“cartograf” foram identificadas como potenciais classes
relevantes, de fácil identificação com baixa expectativa de erro
nas características de seus clusters dentro da base de metadados,
a identificar os conjuntos de metadados pertencem a eles.
Após análise de comportamento conjunto dos resultados da
Tabela II, percebeu-se que os radicais descobertos pela
classificação dos metadados oferecem relação forte e
contribuição para extração de conhecimentos, mas se analisadas
de maneira isolada não oferecem contribuição. Um exemplo
O emprego de stopwords e stemming facilitou a manipulação
dos metadados. O algoritmo k-means mostrou-se eficaz no
agrupamento dos metadados e com baixo índice de erros.
Trabalhos futuros podem testar a eficácia de algoritmos
alternativos de agrupamento para o mesmo tipo de tarefa, como
Expectation-Maximization bem como as adequações sobre as
bases de dados e os parâmetros destes algoritmos, a fim de se
comparar os resultados. Existe um grande número de opções de
algoritmos de agrupamento disponíveis na literatura e a maior
parte deles pode ser testado para o problema, desde que os dados
de entrada estejam formatados de maneira adequada para suprir
cada algoritmo.
Conforme já mencionado, este estudo de caso adotou o kmeans por ser o algoritmo clássico de agrupamento e ainda por
ser o mais estudado. Portanto, não se desejava dispender muito
tempo sobre o estudo e os ajustes de parâmetros sobre o
algoritmo em si, o que aconteceria se fosse adotada uma
alternativa metodológica comparativa.
O uso da ferramenta Weka na mineração de dados permitiu
a descoberta de conhecimentos, pois auxiliou no processo de
exploração dos dados contidos na base, na seleção e geração de
informações importantes para as tomadas de decisões, na análise
e interpretação dos resultados durante o processo dos testes e
contribuiu significativamente com a possibilidade de realizar
vários testes em um tempo diminuto por computadores de baixo
poder de processamento.
Trabalhos futuros podem explorar, ainda, a automatização
também da classificação dos resultados organizados
previamente pela etapa de agrupamento, utilizando radicais
potencialmente úteis para classificação para compor algoritmos
de classificação automática de metadados, permitindo, assim,
tomadas de decisão semiestruturadas e ágeis.
As principais contribuições deste artigo são:
Considerações a respeito dos desafios inerentes às etapas do
processo de KDD com a tarefa de agrupamento quando aplicada
a mineração de dados sobre bases de dados de metadados de
IDE, especialmente quando se tratando de conteúdo textual;
Oferece uma metodologia para mineração semântica de
metadados em uma IDE e para representação do conhecimento
e suas dificuldades, partindo de algoritmos de agrupamento a
organizar dados e posterior classificação;
Estudo inicial para prover apoio para categorizar base de
metadados e documentos textuais, destacando pontos que
merecerão atenção de pesquisadores futuros.
AGRADECIMENTOS
Projeto parcialmente financiado com recursos do Conselho
Nacional de Desenvolvimento Científico e Tecnológico
(CNPq), da Fundação de Amparo à Pesquisa do Estado de Minas
Gerais (FAPEMIG). Também a Fundação Araucária, Secretaria
de Estado da Ciência, Tecnologia e Ensino Superior (SETI-PR)
e ao Governo do Estado do Paraná, pelo apoio financeiro
recebido para viabilizar esta participação.
REFERÊNCIAS BIBLIOGRÁFICA
[1] F. Reinaldo, “Afranci: A multi-layer architecture for cognitive agents,”
Ph.D. dissertation, Faculdade de Engenharia da Universidade do Porto
(FEUP), 2010.
[2] K. Ravikumar and A. Gnanabaskaran, “Aco based spatial data mining for
traffic risk analysis,” International Journal of Computational Intelligence
Techniques, vol. 1, no. 1, pp. 6–13, 2010.
[3] O. Hamed, A. Rajabifard, and M. Kalantari, “Automatic spatial metadata
update: a new approach,” in FIG Work Week, 2010.
[4] J. Han and M. Kamber, Data Mining: Concepts and Techniques,
M. Kaufmann, Ed. San Francisco, CA., 2001.
[5] M. Manso-Callejo, M. Wachowicz, and M. Bernabé-Poveda, “Automatic
metadata creation for supporting interoperability levels of spatial data
infrastructures,” in Spatial Data Infrastructure Convergence: Building
SDI Bridges to Address Global Challenges, no. 11, 2011.
[6] T. Aditya and M. J. Kraak, “A Search Interface for an SDI: Implementation and Evaluation of Metadata Visualization Strategies,” Transactions in
GIS, vol. 11, no. 3, pp. 413–435, 2007.
[7] O. C. da Silva, J. Lisboa-Filho, J. L. Braga, and K. A. V. Borges,
“Searching for metadata using knowledge bases and topic maps in spatial
data infrastructures,” Earth Science Informatics, vol. 2, no. 4, pp. 235–
247, 2009.
[8] M. I. M. Azevedo, “Recuperac¸a˜o de informac¸a˜o em documentos xml,”
Master’s thesis, Universidade Federal de Minas Gerais, Belo Horizonte,
2005.
[9] D. D. Nebert, Developing Spatial Data Infrastructures: The SDI Cookbook. GSDI, 2004.
[10] M. Ueberall and O. Drobnik, “Desenvolvimento colaborativo de software
e mapas de tópico,” in Proceedings, da primeira conferência internacio- nal
sobre Traçando o tema de pesquisa Mapas e Paisagem Applications.
Berlim, Heidelberg: Springer-Verla, 2006, pp. 169–176.
[11] B. R. do Prado, E. H. Hayakawa, T. de Castilho Bertani, G. B. S.
da Silva, G. Pereira, and Y. E. Shimabukuro, “Padrões para metadados
geográficos digitais: modelo iso 19115:2003 e modelo fgdc,” Revista
Brasileira de Cartografia, vol. 62, no. 1, pp. 33–41, 2010.
[12] A. K. Jain, M. N. Murty, and P. J. Flynn, “Data clustering: a review,”
ACM Comput. Surv., vol. 31, no. 3, pp. 264–323, Sep. 1999. [Online].
Available: http://dx.doi.org/10.1145/331499.331504
[13] R. Xu and D. Wunsch, “Survey of clustering algorithms,” IEEE Transactions on neural networks, vol. 16, no. 3, pp. 645–678, 2005.
[14] L. C. Figueiredo, G. Ávila, F. Reinaldo, R. Camacho, D. R. Magalhães,
and L. P. Reis, “A tool for the development of robot control strategies,” EJIS, Electronic Journal of Information Systems, vol. 11, no. 2,
September 2007.
[15] T. B. S. de Oliveira, L. Zhao, K. Faceli, and A. C. P. L. F. de Carvalho,
“Data clustering based on complex network community detection,” in
IEEE Congress on Evolutionary Computation’08, 2008, pp. 2121–2126.
[16] A. Fontana and M. C. Naldi, “Estudo de comparação de métodos para
estimação de números de grupos em problemas de agrupamento de
dados,” Instituto de Ciências Matemáticas e de Computação São Carlos,
Tech. Rep. 340, 2009.
[17] E. C. N. Barion and D. Lago, “Mineração de textos,” Revista de Ciências
Exatas e Tecnologia, vol. 3, no. 3, pp. 123–140, 2008.
[18] A. R. Coelho, “Stemming para a lı́ngua portuguesa: estudo, análise e
melhoria do algoritmo rslp,” Master’s thesis, Universidade Federal do
Rio Grande do Sul, Porto Alegre, 2007.
[19] I. H. Witten and E. Frank, Data Mining: Practical machine learning tools
and techniques, 2nd ed. Morgan Kaufmann, 2005.