Cluster 4

Painel com múltiplas variações.

Imagem:

• 5

Características predominantes:

• várias flores;
• diferentes tonalidades;
• maior diversidade visual.

Dependendo das features utilizadas, poderia formar um agrupamento próprio.

Etapa 4 – Agrupamento Hierárquico

Em seguida, imaginei a aplicação do Agrupamento Hierárquico.

Nesse algoritmo não informamos previamente quantos grupos existem.

O sistema começa tratando cada imagem como um grupo independente e vai unindo aquelas que apresentam maior semelhança.

A estrutura esperada seria semelhante à seguinte:

Flores

├── Tons frios
│      ├── Azul simples
│      ├── Azul múltipla
│      └── Lilás
│
└── Outros grupos
       ├── Branca
       ├── Vermelha
       └── Painel misto

Após analisar o dendrograma, seria possível decidir quantos clusters representam melhor o conjunto de imagens.

Etapa 5 – Redução de Dimensionalidade (PCA)

Supondo que cada imagem gere dezenas de características numéricas, visualizar todas elas simultaneamente seria praticamente impossível.

Aplicando o PCA (Principal Component Analysis), essas dezenas de variáveis podem ser resumidas em apenas duas componentes principais.

Isso permitiria representar todas as imagens em um único gráfico bidimensional, preservando a maior parte das informações originais.

Nesse gráfico, seria esperado que:

• as flores azuis permanecessem próximas;
• as flores claras formassem outro agrupamento;
• a flor vermelha aparecesse afastada dos demais grupos, evidenciando seu comportamento diferenciado.

Análise dos Resultados

A atividade demonstrou que algoritmos de aprendizado não supervisionado conseguem identificar padrões mesmo sem conhecer previamente as categorias existentes.

A etapa mais importante não é a clusterização em si, mas a transformação da imagem em um conjunto de características mensuráveis.

Essas características tornam possível que a Inteligência Artificial compare objetos, calcule semelhanças, forme agrupamentos e identifique padrões ocultos nos dados.

Também foi possível perceber que elementos muito diferentes dos demais — como a flor vermelha — tendem a formar grupos próprios ou serem identificados como anomalias (outliers), revelando informações importantes para a análise.

Conclusão

Ao adaptar o exercício do dataset Iris para imagens reais da Clitoria ternatea, foi possível compreender que os algoritmos de Machine Learning não trabalham diretamente com fotografias, mas com representações numéricas extraídas dessas imagens.

Os algoritmos K-Means, Agrupamento Hierárquico e PCA atuam sobre essas características para descobrir padrões, organizar grupos semelhantes e simplificar grandes volumes de informações.

Essa mesma lógica é utilizada em aplicações reais de Visão Computacional, como reconhecimento de plantas, classificação de espécies, agricultura de precisão, diagnóstico por imagens médicas e sistemas inteligentes de recomendação.

Mais do que reproduzir um exemplo clássico, esta adaptação demonstrou como os conceitos de aprendizado não supervisionado podem ser transferidos para problemas reais de análise de imagens, aproximando a teoria da prática.

Olá, Patricia! Como vai?

Parabéns pela realização das atividades!

Vi que você apresentou uma adaptação criativa do dataset clássico para Clitoria ternatea, explorou algoritmos como K-Means e PCA em imagens reais e destacou a importância da extração de features para que a IA consiga identificar padrões. Esse conjunto mostra inovação, clareza metodológica e aplicação prática, pontos que tornam o aprendizado mais próximo de cenários reais de Visão Computacional.

Se quiser aprofundar ainda mais, algumas boas práticas são:

• Ampliar dataset: incluir mais imagens para aumentar a robustez dos agrupamentos.
• Testar diferentes algoritmos: comparar resultados entre K-Means, DBSCAN e Hierárquico.
• Visualizar resultados: usar gráficos interativos para interpretar melhor os clusters formados.

Ah uma pergunta: O que você considera mais enriquecedor nesse processo, perceber como a IA organiza padrões ocultos ou relacionar esses resultados com aplicações práticas como diagnóstico por imagens e agricultura de precisão?

Fico à disposição! E se precisar, conte sempre com o apoio do fórum.

Abraço e bons estudos!

Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!