Conjunto de Atributos UP-CA3

Em seguida, também foram realizados experimentos utilizando todos os atributos dispo- nibilizados pela UP-CA, identificados pelo conjunto UP-CA3. Levando-se em consideração o gráfico da Figura 8.9 (c), verifica-se, assim como ocorreu para o conjunto de atributos UP- CA2, um maior aumento na porcentagem de MVI a partir de 5% para o conjunto de atributos UP-CA3, valor este então definido para o parâmetro varTess utilizado pela abordagem SWMU Clustering, proporcionando um valor de k igual a 100 para a abordagem HACC-Spatial. Nesses experimentos, a abordagem SWMU Clustering não utilizou a restrição de obstáculos espaciais. Entretanto, os valores padrão utilizados para os parâmetros cp igual a 0,5, para a abordagem HACC-Spatial, e porcDMU igual a 5%, para a abordagem SWMU Clustering, foram mantidos. A Figura 8.20 exibe mapas contendo 4 CGDs obtidos para esse experimento pelas abordagens

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 174

FCM, HACC-Spatial e SWMU Clustering considerando esses parâmetros.

Figura 8.20: Mapas contendo 4 CGDs obtidos com a utilização do conjunto de atributos UP-CA3 e as abordagens (a) FCM; (b) HACC-Spatial e (c) SWMU Clustering.

(a) (b) (c)

Por meio da Figura 8.20, observa-se uma redução muito grande na estratificação dos mapas de CGDs utilizando-se todos os atributos disponíveis para a UP-CA. Entretanto, ainda é verifi- cada a presença de uma CGD de tamanho proporcionalmente bem menor que as outras para o resultado da abordagem HACC-Spatial. Esse resultado é refletido nos índices alcançados pelo critério SD-Spatial para essa abordagem, fazendo com que as abordagens SWMU Clustering e FCM obtivessem resultados muito melhores (Figura 8.21).

Figura 8.21: Índices alcançados pelo critério SD-Spatial para mapas contendo entre 2 e 5 CGDs obtidos utilizando-se as abordagens FCM, HACC-Spatial e SWMU Clustering.

Devido à grande quantidade de atributos disponibilizada pelo conjunto UP-CA3, foi reali- zado um experimento de redução de dimensionalidade por meio da técnica MULTISPATI-PCA. Assim como no trabalho de Córdoba (2013), foram selecionadas 3 componentes principais para serem utilizadas como dados de entrada para as abordagens SWMU Clustering, HACC-Spatial e FCM. Entretanto, ao utilizarmos apenas essas componentes como atributos de entrada, o va- lor de 5% atribuído para o parâmetro varTess gerou uma tesselação inicial para a abordagem

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 175

SWMU Clustering contendo 104 grupos, utilizado como valor de k para a abordagem HACC- Spatial. A Figura 8.22 exibe mapas contendo 3 CGDs obtidos pelas três abordagens utilizadas no experimento.

Figura 8.22: Mapas contendo 3 CGDs obtidos com a utilização das 3 componentes principais do conjunto de atributos UP-CA3, determinadas pela técnica MULTISPATI-PCA e as abordagens (a) FCM; (b) HACC-Spatial e (c) SWMU Clustering.

(a) (b) (c)

Por meio da Figura 8.22, é possível verificar que a redução da dimensionalidade provoca um aumento na estratificação do mapa obtido pela abordagem FCM, se considerarmos os resultados obtidos com a utilização dos conjuntos de atributos UP-CA2 e UP-CA3. Além disso, as três abordagens apresentam resultados bastante distintos visualmente, mesmo considerando apenas 3 CGDs. A Figura 8.23 exibe os índices alcançados por essas abordagens para o critério SD- Spatial, bem como os índices alcançados por esse mesmo critério considerando execuções da abordagem FCM utilizando a redução de dimensionalidade (UP-CA3-PCA) e os três conjuntos de atributos da UP-CA (UP-CA1, UP-CA2 e UP-CA3). Em ambos os gráficos, mesmo quando se tratam de agrupamentos gerados a partir de componentes principais obtidas do conjunto de atributos UP-CA3, o critério foi executado considerando os atributos originais, para que o efeito da redução de dimensionalidade pudesse ser efetivamente verificado.

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 176 Figura 8.23: Índices alcançados pelo critério SD-Spatial para mapas contendo entre 2 e 5 CGDs obtidos utilizando-se (a) a abordagem FCM e os conjuntos de atributos UP-CA1, UP-CA2, UP- CA3 e as 3 componentes principais (UP-CA3-PCA) originárias do conjunto de atributos UP-CA3; e (b) as abordagens FCM, HACC-Spatial e SWMU Clustering e as 3 componentes principais UP- CA3-PCA.

(a) (b)

Por meio da Figura 8.23 (b), observa-se que a abordagem FCM conseguiu resultados muito próximos aos obtidos pela abordagem SWMU Clustering quando foram utilizadas as compo- nentes principais. Nesse caso, apesar da abordagem FCM ainda ter obtido alguns resultados com certo nível de estratificação, como no mapa exibido na Figura 8.22 (a), a redução de di- mensionalidade considerando o espaço de coordenadas proporcionou a obtenção de resultados melhores com relação aos que foram alcançados com o conjunto de atributos UP-CA1. No entanto, a seleção de atributos por meio da correlação de Pearson (UP-CA2), bem como a utili- zação de todos os atributos (UP-CA3), proporcionou resultados melhores do que a redução de dimensionalidade, conforme mostra o gráfico da Figura 8.23 (a). Além disso, para as aborda- gens HACC-Spatial e SWMU Clustering, a utilização dessa técnica também não proporcionou ganhos significativos nos índices alcançados pelo critério SD-Spatial, em comparação com os resultados obtidos por essas abordagens com os outros conjuntos de atributos da UP-CA. Para a abordagem HACC-Spatial, a obtenção de uma CGD muito pequena com relação às outras, para o mapa contendo 5 CGDs, proporcionou um desempenho muito inferior com relação às outras abordagens. Em geral, a abordagem SWMU Clustering obteve melhores resultados do que a abordagem FCM, que nesse experimento foi utilizada da mesma maneira que na abordagem desenvolvida por Córdoba (2013) quando utilizou-se de componentes principais.

Com isso, pode-se reforçar a ideia de que, apesar do tratamento diferenciado do espaço de atributos com relação ao espaço de coordenadas durante o pré-processamento ser importante,

8.3 Análise Comparativa da Abordagem SWMU Clustering com Relação ao Estado da Arte 177

como foi realizado pelas abordagens desenvolvidas por Córdoba (2013) e Peeters (2015), pro- cedimento similar deve ser realizado também durante o agrupamento das amostras para que melhores resultados possam ser obtidos.