Mineração de dados
Exercícios de clustering
Exercícios práticos no Weka
Carregue o arquivo iris.arff
 Use o algoritmo de cluster simpleKmeans
 Visualize o resultado
 Altere os parametros para tentar obter clusters
mais próximos das classes das flores (K=3)

Exercício 2

Agora execute novamente o K-means, mas
marque a opção “classes to cluster evaluation”.
Neste modo Weka desconsidera o atributo classe
(no exercicio anterior estava considerando o
atributo classe) e executa o clustering. Depois,
compara os clusters com as classes e computa o
erro de classificação, como se fosse um
algoritmo de classificação.
Exercício 3
Com o arquivo iris.arff carregado, remova o
atributo classe (aba preprocessing)
 Execute o algoritmo Dbscan.
 Quantos clusters foram encontrados?
 Altere os parâmetros para melhorar o resultado.

Exercício 4

Uma concessionária BMW acompanhou quantas pessoas passaram pela
concessionária e pelo salão de exibição, que carros eles olharam, e se
compraram. Eles esperam minerar esses dados encontrando padrões nos
dados e usando clusters para determinar se existe certo padrão em seus
clientes. Uma coluna possui 1 (ele chegou a essa etapa ou olhou esse carro)
ou 0 (ele não chegou a essa etapa)

@attribute Dealership numeric {olhou carros parados no estacionamento da
concessionaria=1, nao=0}}

@attribute Showroom numeric {olhou os carros no showroom=1, nao=0}}

@attribute ComputerSearch numeric {pesquisa na internet=1, nao=0}

@attribute M5 numeric {vai ver o M5 = 1, nao vai=0}

@attribute serie3 numeric {vai ver o serie3 = 1, nao vai=0}

@attribute Z4 numeric {vai ver o Z4 = 1, nao vai=0}

@attribute Financing numeric { informou-se sobre financiamento =1, nao =0}

@attribute Purchase numeric {comprou =1, nao comprou=0}