Rotulação Automática de Grupos com Árvores de Decisão: Uma Abordagem Comparativa

Abstract

Resumo O volume exponencial de dados impulsiona o crescimento da análise de dados. O agru- pamento de dados é uma técnica importante, mas a interpretação dos grupos pode ser desafiadora. A rotulação automática de grupos com árvores de decisão pode ajudar a resolver este problema. Afim de se validar este modelo de rotulação automática de grupos com uso de árvores de decisão este trabalho apresenta uma comparação entre quatro algoritmos de árvore de decisão no contexto da rotulação automática de grupos. Inicial- mente, destaca-se a importância dos modelos de rotulação de grupos como ferramentas para auxiliar especialistas na interpretação de dados, fornecendo uma definição concisa das principais características dos grupos. A escolha do algoritmo de árvore de decisão impacta significativamente na performance do modelo, conforme demonstrado em um estudo comparativo utilizando os algoritmos ID3, C4.5, CART e CHAID. Os resultados revelaram que o algoritmo CHAID obteve os melhores resultados nas bases Íris e Sementes, enquanto o algoritmo C4.5 foi mais eficaz nas bases Vinho e Vidros. As taxas de concor- dância do algoritmo de melhor desempenho em cada base se aproximaram ou superaram a média encontrada na literatura. A validade do modelo de rotulação automática de grupos foi confirmada, destacando a importância da escolha criteriosa do algoritmo de árvore de decisão.Os resultados deste estudo ressaltam o potencial dos modelos de rotulação automática de grupos e a relevância da seleção adequada do algoritmo de árvore de decisão. Pesquisas futuras são essenciais para aprimorar o modelo e expandir suas aplicações, contribuindo para diversos campos, como descoberta de padrões em bancos de dados, identificação de grupos em estudos de bioinformática e segmentação de mercado-alvo com necessidades semelhantes.Abstract The exponential volume of data drives the growth of data analytics. Data clustering is an important technique, but interpreting the clusters can be challenging. Automatic group labeling with decision trees can help solve this problem. In order to validate this model of automatic group labeling using decision trees, this work presents a comparison between four decision tree algorithms in the context of automatic group labeling. Initially, the importance of group labeling models is highlighted as tools to assist experts in data interpretation, providing a concise definition of the main characteristics of groups. The choice of decision tree algorithm significantly impacts the model’s performance, as demonstrated in a comparative study using the ID3, C4.5, CART and CHAID algorithms. The results revealed that the CHAID algorithm obtained the best results in the Iris and Seeds bases, while the C4.5 algorithm was more effective in the Wine and Glass bases. The agreement rates of the best performing algorithm in each database approached or exceeded the average found in the literature. The validity of the automatic group labeling model was confirmed, highlighting the importance of judicious choice of the decision tree algorithm. The results of this study highlight the potential of automatic group labeling models and the relevance of appropriate selection of the decision tree algorithm. decision. Future research is essential to improve the model and expand its applications, contributing to diverse fields, such as discovering patterns in databases, identifying groups in bioinformatics studies, and segmenting target markets with similar needs.