LCE_137_Optat - Mercado de Trabalho - Gestão pela Qualidade Total

segunda-feira, 28 de abril de 2025

Inteligência artificial indutiva não supervisionada (Machine Learning) para classificação - Cluster analysis

Inteligência artificial indutiva não supervisionada (Machine Learning) para classificação - Cluster analysis

Tipos de Machine Learning

ML UL Clustering

Fonte de Dados Sebrae

Cidade: Caxias do Sul

Tabela Excel dos Dados

Cidade	Regiao	Cid_reg	Habitantes	IDH	Rend_Cap	Cap_Empr	Teci_Emr	Gov_Descn	Org_Prod	Ins_Compet	Edu_Empr
Piracicaba	SE	Pir_SE	439	0,785	1,14	0,54	0,695	0,796	0,598	0,761	0,004
Sao_Car	SE	SC_SE	252	0,805	1,08	0,686	0,653	0,812	0,564	0,788	0,002
Sao_Jose	SE	SJ_SE	461	0,797	1,17	0,613	0,73	0,648	0,597	0,769	0,011
Mon_Clar	SE	MC_SE	409	0,77	0,65	0,481	0,651	0,696	0,549	0,666	0,124
Rondono	CO	Ron_CO	232	0,755	0,84	0,452	0,509	0,626	0,567	0,651	0
Anápolis	CO	Aná_CO	387	0,737	0,79	0,481	0,645	0,695	0,562	0,708	0
Camp_Gra	NE	CG_NE	410	0,72	0,63	0,458	0,565	0,683	0,571	0,59	0,584
Petroli	NE	Pet_NE	349	0,697	0,61	0,419	0,43	0,678	0,528	0,57	0,009
Rio_Bran	Norte	RB_Norte	407	0,727	0,74	0,342	0,47	0,663	0,486	0,503	0,0009
Boa_Vista	Norte	BV_Norte	399	0,752	0,79	0,338	0,458	0,538	0,502	0,585	0,082
Maringa	S	Mar_S	424	0,808	1,2	0,652	0,753	0,791	0,611	0,765	0,01
Cax_Sul	S	CS_S	347	0,75	0,95	0,446	0,715	0,654	0,559	0,715	0,046
		Kruskal Wallis	NS	*	*	*	*	NS	*	*	NS

Inteligência artificial indutiva (Machine Learning) não supervisionada para classificação - Cluster analysis

Cluster e Dendrograma de todas as cidades, programa SAS: ver banco de dados

data cidades;

input Cid_reg $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;

cards;

Pir_SE 0.785 1.14 0.54 0.695 0.598 0.761

SC_SE 0.805 1.08 0.686 0.653 0.564 0.788

SJ_SE 0.797 1.17 0.613 0.73 0.597 0.769

MC_SE 0.77 0.65 0.481 0.651 0.549 0.666

Ron_CO 0.755 0.84 0.452 0.509 0.567 0.651

Ana_CO 0.737 0.79 0.481 0.645 0.562 0.708

CG_NE 0.72 0.63 0.458 0.565 0.571 0.59

Pet_NE 0.697 0.61 0.419 0.43 0.528 0.57

RB_Norte 0.727 0.74 0.342 0.47 0.486 0.503

BV_Norte 0.752 0.79 0.338 0.458 0.502 0.585

Mar_S 0.808 1.2 0.652 0.753 0.611 0.765

CS_S 0.75 0.95 0.446 0.715 0.559 0.715

;

proc print;

run;

proc cluster data=cidades outtree = arvore method = average;

var IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Comp;

id Cid_reg;

run;

PROC TREE DATA = arvore;

RUN;

Cluster e Dendrograma de todas as regiões e Piracicaba, programa SAS:

data regioes;

input Local $ IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Compet;

cards;

CO 0.746 0.815 0.4665 0.577 0.5645 0.6795

NE 0.7085 0.62 0.4385 0.4975 0.5495 0.58

Norte 0.7395 0.765 0.34 0.464 0.494 0.544

S 0.779 1.075 0.549 0.734 0.585 0.74

SE 0.78925 1.01 0.58 0.68225 0.577 0.746

Piracic 0.785 1.14 0.54 0.695 0.598 0.761

;

proc print;

run;

proc cluster outtree = arvore method = average;

var IDH Rend_Cap Cap_Empr Teci_Emr Org_Prod Ins_Compet;

id Local;

run;

PROC TREE DATA = arvore;

RUN;

Apostila Box Plot - Histograma e Polígono de Frequência

Apostila para Download

Apostila Box Plot e Histograma

Progrma SAS para Box and Wisker Plot

data peixes;

input Posiçao Peso;

cards;

1 1.01

2 1.18

3 1.34

4 1.59

5 2.11

6 2.48

7 2.76

8 3.11

9 4.26

10 4.42

11 4.73

12 5

13 5.13

14 12.39

;

proc sgplot ;

vbox Peso;

run;

segunda-feira, 7 de abril de 2025

Segundo Exemplo IA Indutiva Não Supervisionada para Classificação - Linguagem SAS - Pivot Tables

UML - Unsupervised Machine Learning: Machine Learning Não Supervisionado

Dados:

- Categoria: Variável Classificatória

- IMC: Primeira Variável Preditora - Indice de Massa Corporal

- Movim: Segunda Variável Preditora - Movimentação caminhando ou correndo por semana (Km)

- KCal: Quilocalorias consumidas por dia. Terceira Variavel Preditora

Categ	IMC	Movim	KCal
ATL	20,9	60,9	3259
ATL	21,3	54,8	3100
ATL	19,3	49,6	2800
ATL	21,1	52,3	3300
SEMI	22,4	14,9	2600
SEMI	21,9	17,8	2700
SEMI	23,8	18,6	3200
SEMI	24,1	15,1	3300
SEDE	27,3	2,5	2700
SEDE	23,4	4,3	2300
SEDE	25,2	2,3	2600
SEDE	26,4	2,6	3200
PROF	26,2	4,1	2600
PROF	24,2	2,1	2700
PROF	25,4	1,9	2650

Obter as Médias por Data Crunching - Pivot Table

Categor	IMC	Movim	Kcal
ATL	20,65	54,4	3114,75
PROF	25,27	2,7	2650
SEDE	25,58	2,925	2700
SEMI	23,05	16,6	2950

Dinâmica IA Indutiva Não Supervisionada para Classificação - Linguagem SAS

Programa SAS - Rodaremos esse programa numa versão gratuita muito poderosa na Nuvem.

A linguagem de menor custo de aprendizagem para Ciência de Dados e Inteligência Artificial, também a mais respeitada e valorizada.

Codificação para rodar IA Indutiva Não Supervisionada para Classificação em Linguagem SAS

data pessoas;

input cat $ imc corr kcal;

cards;

AT 20.5 54.4 3100

PR 25.3 2.7 2650

SE 25.6 2.9 2700

SEM 23.1 16.6 2950

;

proc cluster data=pessoas outtree = arvore method = average;

var imc corr kcal;

id cat;

run;

PROC TREE DATA = arvore;

RUN;

ML Não Supervisionado para Clasifiação - Cluster Analysis - ANOVA and MANOVA

\t para trocar o tab por espaço em Linux

- No Editor

Caractere de Tabulação em Word (Windows)

Obtaining Cluster Analysis

data People;

input Categ $ IMC Movim Kcal;

cards;

DADOS TABELA DINÁMICA

;

proc cluster outtree = Dendrog method = average;

var IMC Movim Kcal;

id Categ;

run;

PROC TREE DATA = Dendrog;

RUN;

Program to do ANOVA

data People;

/* BMI: body mass index --> Índice de M. Corporal = Peso / (Altura * Altura)

Movm: Movement (Km por semana)

KCal : Kilocalories (ingeridas por dia)

ATL: Athletes

SEMI: Semi-athletes

SEDE: Sedentary

PROF: Professor

input Categ $ IMC Movim Kcal;

cards;

ATL 20.2 60.7 3200

ATL 21.3 54.8 3100

ATL 19.3 49.6 2800

ATL 21.1 52.3 3300

SEMI 22.4 14.9 2600

SEMI 21.9 17.8 2700

SEMI 23.8 18.6 3200

SEMI 24.1 15.1 3300

SEDE 27.3 2.5 2700

SEDE 23.4 4.3 2300

SEDE 25.2 2.3 2600

SEDE 26.4 2.6 3200

PROF 26.2 4.1 2600

PROF 24.2 2.1 2700

PROF 25.4 1.9 2650

;

Proc ANOVA;

Class Categ;

Model IMC Movim Kcal = Categ;

Means Categ / Duncan Lines;

Run;

Arithmetic Averages of Categories

Categ IMC Movim Kcal

AT 20.5 54.4 3100

PR 25.3 2.7 2650

SE 25.6 2.9 2700

SEM 23.1 16.6 2950