Tirando Montes Claros do Sudeste

 Tirando Montes Claros do Sudeste

  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

 

Medias de Regioes sem Montes Claros

Regiao	Habitantes	IDH	Rend_Cap	Cap_Empr	Teci_Emr	Gov_Descn	Org_Prod	Ins_Compet	Edu_Empr
CO	309,5	0,746	0,815	0,4665	0,577	0,6605	0,5645	0,6795	0
NE	379,5	0,7085	0,62	0,4385	0,4975	0,6805	0,5495	0,58	0,2965
Norte	403	0,7395	0,765	0,34	0,464	0,6005	0,494	0,544	0,04145
S	385,5	0,779	1,075	0,549	0,734	0,7225	0,585	0,74	0,028
SE	384	0,795666667	1,13	0,613	0,692666667	0,752	0,586333333	0,772666667	0,005666667
Piracicaba	439	0,785	1,14	0,54	0,695	0,796	0,598	0,761	0,004

Calculo da Regiao SE sem a cidade de Montes Claros

(continua agrupando Piracicaba com a Regiao Sul)

  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;