Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação

Detalhes bibliográficos
Ano de defesa: 2012
Autor(a) principal: Gomes, Luciana lattes
Orientador(a): Hippert, Henrique Steinherz lattes
Banca de defesa: Fonseca Neto, Raul lattes, Santos, Marcelo Costa Pinto e lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
Programa de Pós-Graduação: Programa de Pós-graduação em Modelagem Computacional
Departamento: ICE – Instituto de Ciências Exatas
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/3522
Resumo: Em muitos problemas é necessária a descrição qualitativa dos dados (por exemplo, usando variáveis tais como sexo ou idade de um paciente). Para uso em redes neurais artificiais, contudo, estas variáveis têm que ser recodificadas quantitativamente. Neste trabalho, foram feitas simulações com seis técnicas bastante conhecidas de recodificação de variáveis qualitativas: Dummy 1-de-c, Dummy 1-de-(c-1), Termômetro, Numérica, Gray e Binária. O desempenho das seis técnicas foi comparado com o desempenho obtido utilizandose os fatores de Análise de Correspondência (AC) ao invés das variáveis qualitativas originais. O uso destes fatores de AC como forma de codificar variáveis de entrada de uma rede neural ainda não foi relatado na literatura. As simulações forem feitas com três bases de dados. Duas delas envolvem problemas de classificação de padrões em duas classes (o desempenho foi medido por meio da proporção de classificações corretas); a terceira base envolve um problema de aproximação de funções (o desempenho foi medido por meio dos erros MAPE e MSE). Nas bases de dados Seguros e Consumo, os resultados obtidos para AC são equivalentes aos das demais técnicas aplicadas e na base Córneas, não foi satisfatório, não demonstrando, assim, vantagens sobre as demais técnicas.
id UFJF_2f3e9d458a942d8bd2c87219ba3062ad
oai_identifier_str oai:hermes.cpd.ufjf.br:ufjf/3522
network_acronym_str UFJF
network_name_str Repositório Institucional da UFJF
repository_id_str
spelling Hippert, Henrique Steinherzhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4782250Z1Fonseca Neto, Raulhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4786482Y2Santos, Marcelo Costa Pinto ehttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4776756J5http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4446017D2Gomes, Luciana2017-03-06T20:01:01Z2017-03-022017-03-06T20:01:01Z2012-08-15https://repositorio.ufjf.br/jspui/handle/ufjf/3522Em muitos problemas é necessária a descrição qualitativa dos dados (por exemplo, usando variáveis tais como sexo ou idade de um paciente). Para uso em redes neurais artificiais, contudo, estas variáveis têm que ser recodificadas quantitativamente. Neste trabalho, foram feitas simulações com seis técnicas bastante conhecidas de recodificação de variáveis qualitativas: Dummy 1-de-c, Dummy 1-de-(c-1), Termômetro, Numérica, Gray e Binária. O desempenho das seis técnicas foi comparado com o desempenho obtido utilizandose os fatores de Análise de Correspondência (AC) ao invés das variáveis qualitativas originais. O uso destes fatores de AC como forma de codificar variáveis de entrada de uma rede neural ainda não foi relatado na literatura. As simulações forem feitas com três bases de dados. Duas delas envolvem problemas de classificação de padrões em duas classes (o desempenho foi medido por meio da proporção de classificações corretas); a terceira base envolve um problema de aproximação de funções (o desempenho foi medido por meio dos erros MAPE e MSE). Nas bases de dados Seguros e Consumo, os resultados obtidos para AC são equivalentes aos das demais técnicas aplicadas e na base Córneas, não foi satisfatório, não demonstrando, assim, vantagens sobre as demais técnicas.In many problems, a qualitative description of the data is needed (using for example variables such as age or sex of a patient). For use on artificial neural networks, however, these variables must be recoded quantitatively. In this study, simulations were made with six wellknown techniques for recoding qualitative variables: Dummy 1-of-c, Dummy 1-of-(c-1), Thermometer, Numerical, Gray, and Binary. The performance of these techniques was compared to the performance obtained using the factors of Correspondence Analysis (CA) instead of the original qualitative variables. The use of these factors as inputs to the neural network has not been reported in the literature. Simulations were made with three dataset. Two of them involve classification problems, with two classes (performance was measured by the percentage of correct classifications); the third dataset involves a problem of function approximation (performance was measured by MAPE and MSE). For two of the datasets, the results for CA are equivalent to those of the other techniques applied; for the third, the performance was not satisfactory, do not showing any advantages over other techniques.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Modelagem ComputacionalUFJFBrasilICE – Instituto de Ciências ExatasCNPQ::CIENCIAS EXATAS E DA TERRARedes neurais artificiaisAnálise de correspondênciaVariáveis qualitativasArtificial neural networksCorrespondence AnalysisQualitative variablesModelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificaçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFTHUMBNAILlucianagomes.pdf.jpglucianagomes.pdf.jpgGenerated Thumbnailimage/jpeg1187https://repositorio.ufjf.br/jspui/bitstream/ufjf/3522/4/lucianagomes.pdf.jpg5be08e9a473ed026fbc294bfe182bb80MD54ORIGINALlucianagomes.pdflucianagomes.pdfapplication/pdf2235724https://repositorio.ufjf.br/jspui/bitstream/ufjf/3522/1/lucianagomes.pdfa319cb5c94b9c3b92bbfe46df00c557aMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82197https://repositorio.ufjf.br/jspui/bitstream/ufjf/3522/2/license.txt000e18a5aee6ca21bb5811ddf55fc37bMD52TEXTlucianagomes.pdf.txtlucianagomes.pdf.txtExtracted texttext/plain102395https://repositorio.ufjf.br/jspui/bitstream/ufjf/3522/3/lucianagomes.pdf.txt48f1eb7e1389f60edf0c9c44f31f422fMD53ufjf/35222019-11-07 11:09:46.843oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2019-11-07T13:09:46Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false
dc.title.pt_BR.fl_str_mv Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação
title Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação
spellingShingle Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação
Gomes, Luciana
CNPQ::CIENCIAS EXATAS E DA TERRA
Redes neurais artificiais
Análise de correspondência
Variáveis qualitativas
Artificial neural networks
Correspondence Analysis
Qualitative variables
title_short Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação
title_full Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação
title_fullStr Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação
title_full_unstemmed Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação
title_sort Modelagem de variáveis qualitativas por meio de redes neurais artificiais: avaliação do uso de análise de correspondência como técnica de codificação
author Gomes, Luciana
author_facet Gomes, Luciana
author_role author
dc.contributor.advisor1.fl_str_mv Hippert, Henrique Steinherz
dc.contributor.advisor1Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4782250Z1
dc.contributor.referee1.fl_str_mv Fonseca Neto, Raul
dc.contributor.referee1Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4786482Y2
dc.contributor.referee2.fl_str_mv Santos, Marcelo Costa Pinto e
dc.contributor.referee2Lattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4776756J5
dc.contributor.authorLattes.fl_str_mv http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4446017D2
dc.contributor.author.fl_str_mv Gomes, Luciana
contributor_str_mv Hippert, Henrique Steinherz
Fonseca Neto, Raul
Santos, Marcelo Costa Pinto e
dc.subject.cnpq.fl_str_mv CNPQ::CIENCIAS EXATAS E DA TERRA
topic CNPQ::CIENCIAS EXATAS E DA TERRA
Redes neurais artificiais
Análise de correspondência
Variáveis qualitativas
Artificial neural networks
Correspondence Analysis
Qualitative variables
dc.subject.por.fl_str_mv Redes neurais artificiais
Análise de correspondência
Variáveis qualitativas
Artificial neural networks
Correspondence Analysis
Qualitative variables
description Em muitos problemas é necessária a descrição qualitativa dos dados (por exemplo, usando variáveis tais como sexo ou idade de um paciente). Para uso em redes neurais artificiais, contudo, estas variáveis têm que ser recodificadas quantitativamente. Neste trabalho, foram feitas simulações com seis técnicas bastante conhecidas de recodificação de variáveis qualitativas: Dummy 1-de-c, Dummy 1-de-(c-1), Termômetro, Numérica, Gray e Binária. O desempenho das seis técnicas foi comparado com o desempenho obtido utilizandose os fatores de Análise de Correspondência (AC) ao invés das variáveis qualitativas originais. O uso destes fatores de AC como forma de codificar variáveis de entrada de uma rede neural ainda não foi relatado na literatura. As simulações forem feitas com três bases de dados. Duas delas envolvem problemas de classificação de padrões em duas classes (o desempenho foi medido por meio da proporção de classificações corretas); a terceira base envolve um problema de aproximação de funções (o desempenho foi medido por meio dos erros MAPE e MSE). Nas bases de dados Seguros e Consumo, os resultados obtidos para AC são equivalentes aos das demais técnicas aplicadas e na base Córneas, não foi satisfatório, não demonstrando, assim, vantagens sobre as demais técnicas.
publishDate 2012
dc.date.issued.fl_str_mv 2012-08-15
dc.date.accessioned.fl_str_mv 2017-03-06T20:01:01Z
dc.date.available.fl_str_mv 2017-03-02
2017-03-06T20:01:01Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufjf.br/jspui/handle/ufjf/3522
url https://repositorio.ufjf.br/jspui/handle/ufjf/3522
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.publisher.program.fl_str_mv Programa de Pós-graduação em Modelagem Computacional
dc.publisher.initials.fl_str_mv UFJF
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv ICE – Instituto de Ciências Exatas
publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFJF
instname:Universidade Federal de Juiz de Fora (UFJF)
instacron:UFJF
instname_str Universidade Federal de Juiz de Fora (UFJF)
instacron_str UFJF
institution UFJF
reponame_str Repositório Institucional da UFJF
collection Repositório Institucional da UFJF
bitstream.url.fl_str_mv https://repositorio.ufjf.br/jspui/bitstream/ufjf/3522/4/lucianagomes.pdf.jpg
https://repositorio.ufjf.br/jspui/bitstream/ufjf/3522/1/lucianagomes.pdf
https://repositorio.ufjf.br/jspui/bitstream/ufjf/3522/2/license.txt
https://repositorio.ufjf.br/jspui/bitstream/ufjf/3522/3/lucianagomes.pdf.txt
bitstream.checksum.fl_str_mv 5be08e9a473ed026fbc294bfe182bb80
a319cb5c94b9c3b92bbfe46df00c557a
000e18a5aee6ca21bb5811ddf55fc37b
48f1eb7e1389f60edf0c9c44f31f422f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)
repository.mail.fl_str_mv
_version_ 1801661518105804800