Key points are not available for this paper at this time.
Nas últimas décadas, diferentes técnicas multivariadas foram aplicadas a conjuntos de dados dietéticos multidimensionais para identificar padrões significativos que refletem os hábitos alimentares das populações. Dentre elas, a análise de componentes principais (ACP) e a análise de agrupamento representam as duas técnicas mais utilizadas, seja de forma separada ou em paralelo. Aqui, propomos um fluxo de trabalho para combinar ACP, agrupamento hierárquico e um algoritmo K-means em uma abordagem inovadora para a derivação de padrões dietéticos. Como o fluxo de trabalho apresenta certas decisões subjetivas que podem afetar a solução final de agrupamento, também fornecemos algumas alternativas em relação aos diferentes dados dietéticos utilizados. Por exemplo, usamos os dados dietéticos de 855 mulheres de Catania, Itália. Nossa abordagem—definida como agrupamento em componentes principais—poderia ser útil para explorar as forças de cada método e obter uma melhor solução de agrupamento. De fato, parecia desvendar os dados dietéticos melhor do que algoritmos de agrupamento simples. No entanto, antes de escolher entre as alternativas propostas, sugere-se considerar a natureza dos dados dietéticos e as principais questões levantadas pela pesquisa.
Maugeri et al. (Sex,) estudaram essa questão.