geração (semi)automática de metadados - Universidad Autónoma ...

município brasileiro, sendo que: (i) 4068 representam condições negativas para existência de site e-Gov -
valor de classe igual a não (73,11%) e (ii) 1496 representam condições positivas para existência de site e-
Gov - valor de classe igual a sim (26,89%).
Assim, cada exemplo é constituído de 10 atributos:
• url_p: URL principal da cidade, valor do tipo string;
• uf: Nome do estado das cidades, valor nominal com as 27 unidades da federação;
• região: Nome da região das cidades, valor nominal com as 5 regiões do Brasil (Norte, Sul, Centro-
Oeste, Sudeste e Nordeste);
• ip: Os primeiros três dígitos do IP do host onde está hospedado a página da cidade, valores nominais
(o valor 200 indica a faixa de IP do Brasil, ou seja, página hospedada em servidor nacional);
• href: Quantidade de links na página principal do site, valor discreto entre 0 e 726 (média 4,233 e
desvio padrão 17,915);
• kb: Tamanho em Kb da página principal dos sites dos municípios (computando as figuras e demais
arquivos carregados), valor contínuo entre 0 e 986,388 (média 54,491 e desvio padrão 143,121);
• qde_arq: Quantidade de arquivos da página principal do site, valor discreto entre 0 e 98 (média 3,888
e desvio padrão 10,416);
• b_html: Tamanho em byte do arquivo HTML da página principal, valor contínuo entre 0 e 65535
(média 3120,54 e desvio padrão 9703.151);
• idade, valor discreto entre 21 e 81;
• Tem_ip: Indica se a cidade possui IP (subdomínio registrado), valor nominal (sim ou não);
• Tem_site: Indica se a cidade possui site no ar, valor nominal (sim ou não).
A exploração destes dados/atributos no ambiente WEKA em forma de gráfico é apresentada na Figura 6.
Todos os quatro gráficos representam a proporção de municípios com e sem portal Web; da esquerda para
direita, o primeiro gráfico mostra essa proporção para cada estado brasileiro (em ordem alfabética), o
próximo para cada região nacional (Norte, Sul, Centro-Oeste, Sudeste, Nordeste), o próximo a relação desta
proporção quanto as cidades que possuem IP registrado e o último representa a quantia de cidades com e sem
portal Web.
Região
tem_ip
tem_site
1782
3224
4068
1668
1181
2340
471
462
norte sul Centro-oeste
sudeste nordeste
Conferência IADIS Ibero-Americana WWW/Internet 2007
sim não
1496
sim não
Figura 6. Proporção dos atributos da base de dados, o cinza escuro representa as cidades com website e o cinza claro
representa as cidades sem website.
O algoritmo de clustering EM (weka.clusterers.EM -V -I 50 -N 3 -S 100 -M 1.0E-6) foi executado com os
seguintes parâmetros: (i) Número máximo de iterações igual a 100, (ii) desvio padrão mínimo ,
(iii) número de clusters configurado para selecionar automaticamente por validação cruzada e (iv) semente de
número aleatório igual a 100. Nesta análise de mineração descobriu-se que os dados foram agrupados em três
grupos e não em dois como inicialmente a equipe projetou. Os três grupos formados são:
79