Nesta tese de doutorado, propomos métodos de agrupamento baseados em funções kernel
com ponderação automática das variáveis através de distâncias adaptativas onde medidas
de dissimilaridade são obtidas como somas de distâncias Euclidianas entre padrões e
protótipos calculadas individualmente para cada variável através de funções kernel. A
principal vantagem da abordagem proposta sobre os métodos de agrupamento baseados
em kernel convencionais é a possibilidade do uso de distâncias adaptativas, as quais …