Análise comparativa da eficácia do clustering aglomerativo hierárquico na classificação de espécies de Iris
uma abordagem baseada em características morfométricas
DOI:
https://doi.org/10.47385/tudoeciencia.2559.2025Palavras-chave:
Clustering aglomerativo. Iris. Morfometria. Aprendizagem não supervisionada. Taxonomia botânica.Resumo
Este estudo investiga a aplicação do algoritmo Agglomerative Clustering para a classificação automática de espécies de Iris (Iris setosa, Iris versicolor e Iris virginica) utilizando características morfológicas das sépalas e pétalas. O conjunto de dados Iris, amplamente utilizado em estudos de aprendizado de máquina, foi analisado através da técnica de clustering hierárquico aglomerativo com métrica euclidiana e ligação de Ward. Os resultados demonstraram alta eficácia na separação das três espécies, com particular distinção da Iris setosa em relação às demais espécies. A análise das características das pétalas apresentou melhor separabilidade dos clusters em comparação às características das sépalas, evidenciando a importância das dimensões das pétalas como critério discriminante para classificação taxonômica. O algoritmo mostrou-se eficiente para identificação automática de padrões morfológicos, contribuindo para estudos de taxonomia botânica e sistemas de classificação automatizada de espécies vegetais.
Downloads
Referências
ANDERSON, E. The irises of the Gaspé Peninsula. Bulletin of the American Iris Society, n. 59, p. 2-5, 1935.
ANDERSON, E. The species problem in Iris. Annals of the Missouri Botanical Garden, v. 23, n. 3, p. 457-509, 1936.
DUDA, R. O.; HART, P. E.; STORK, D. G. Pattern classification. 2nd ed. New York: John Wiley & Sons, 2001.
FISHER, R. A. The use of multiple measurements in taxonomic problems. Annals of Eugenics, v. 7, n. 2, p. 179-188, 1936.
HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The elements of statistical learning: data mining, inference, and prediction. 2nd ed. New York: Springer, 2009.
HUNTER, J. D. Matplotlib: A 2D graphics environment. Computing in Science & Engineering, v. 9, n. 3, p. 90-95, 2007.
JAIN, A. K.; MURTY, M. N.; FLYNN, P. J. Data clustering: a review. ACM Computing Surveys, v. 31, n. 3, p. 264-323, 1999.
KAUFMAN, L.; ROUSSEEUW, P. J. Finding groups in data: an introduction to cluster analysis. New Jersey: John Wiley & Sons, 2005.
MANNING, C. D.; RAGHAVAN, P.; SCHÜTZE, H. Introduction to information retrieval. Cambridge: Cambridge University Press, 2008.
MCKINNEY, W. Data structures for statistical computing in Python. In: PROCEEDINGS OF THE 9TH PYTHON IN SCIENCE CONFERENCE, 9., 2010, Austin. Proceedings... Austin: SciPy, 2010. p. 56-61.
MURTAGH, F.; CONTRERAS, P. Algorithms for hierarchical clustering: an overview. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, v. 2, n. 1, p. 86-97, 2012.
PEDREGOSA, F. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, v. 12, p. 2825-2830, 2011.
WARD, J. H. Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, v. 58, n. 301, p. 236-244, 1963.
WASKOM, M. L. Seaborn: statistical data visualization. Journal of Open Source Software, v. 6, n. 60, p. 3021, 2021.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
