Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap

Detalhes bibliográficos
Ano de defesa: 2007
Autor(a) principal: Rodrigo Portela Ferreira, Marcelo
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Análise Discriminante Linea
Classificação
Link de acesso: https://repositorio.ufpe.br/handle/123456789/6288
Resumo: Desde que tecnologia da informação tornou-se essencial para muitas atividades da vida moderna e grandes conjuntos de dados surgiram junto com ela, mineração de dados tornou-se uma das mais importantes áreas de pesquisa na ciência estatística. Apesar de existirem muitos campos relacionados a mineração de dados, a tarefa de classificação ainda figura como uma das mais comuns na literatura estatística. Esta dissertação faz uma revisão de dois métodos clássicos de classificação, análise discriminante linear e quadrática, e um método não-paramétrico, a análise discriminante de núcleo. Experimentos de simulação e conjuntos de dados reais são utilizados para avaliar e comparar os três métodos de classificação. Também apresenta algumas contribuições relacionadas aos métodos boosting e bootstrap no contexto de classificação. A primeira contribuição trata-se de uma nova formulação para o método boosting em análise discriminante linear. Os resultados numéricos mostram que esta nova formulação tem desempenho similar à formulação usual. Entretanto, a nova formulação do método boosting é conceitualmente mais adequada. Dois métodos bootstrap para problemas de classificação são introduzidos e avaliados. O primeiro método bootstrap é utilizado para obter uma fronteira de classificação. O conceito de fronteira de classificação pode ser entendido como uma região onde é difícil alocar uma observação para uma das populações existentes. O segundo método bootstrap é um intervalo de confiança para a taxa de erro de classificação. Intervalos de confiança podem ser utilizados para comparar dois ou mais métodos de classificação na estrutura de inferência
id UFPE_270ccaa52f881dc12a8ca9073d7617e9
oai_identifier_str oai:repositorio.ufpe.br:123456789/6288
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e BootstrapAnálise Discriminante LineaClassificaçãoDesde que tecnologia da informação tornou-se essencial para muitas atividades da vida moderna e grandes conjuntos de dados surgiram junto com ela, mineração de dados tornou-se uma das mais importantes áreas de pesquisa na ciência estatística. Apesar de existirem muitos campos relacionados a mineração de dados, a tarefa de classificação ainda figura como uma das mais comuns na literatura estatística. Esta dissertação faz uma revisão de dois métodos clássicos de classificação, análise discriminante linear e quadrática, e um método não-paramétrico, a análise discriminante de núcleo. Experimentos de simulação e conjuntos de dados reais são utilizados para avaliar e comparar os três métodos de classificação. Também apresenta algumas contribuições relacionadas aos métodos boosting e bootstrap no contexto de classificação. A primeira contribuição trata-se de uma nova formulação para o método boosting em análise discriminante linear. Os resultados numéricos mostram que esta nova formulação tem desempenho similar à formulação usual. Entretanto, a nova formulação do método boosting é conceitualmente mais adequada. Dois métodos bootstrap para problemas de classificação são introduzidos e avaliados. O primeiro método bootstrap é utilizado para obter uma fronteira de classificação. O conceito de fronteira de classificação pode ser entendido como uma região onde é difícil alocar uma observação para uma das populações existentes. O segundo método bootstrap é um intervalo de confiança para a taxa de erro de classificação. Intervalos de confiança podem ser utilizados para comparar dois ou mais métodos de classificação na estrutura de inferênciaCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorUniversidade Federal de PernambucoJosé Amorim do Amaral, Getúlio Rodrigo Portela Ferreira, Marcelo2014-06-12T18:03:40Z2014-06-12T18:03:40Z2007info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfRodrigo Portela Ferreira, Marcelo; José Amorim do Amaral, Getúlio. Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap. 2007. Dissertação (Mestrado). Programa de Pós-Graduação em Estatística, Universidade Federal de Pernambuco, Recife, 2007.https://repositorio.ufpe.br/handle/123456789/6288porAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPE2019-10-25T17:30:20Zoai:repositorio.ufpe.br:123456789/6288Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T17:30:20Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.none.fl_str_mv Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
title Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
spellingShingle Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
Rodrigo Portela Ferreira, Marcelo
Análise Discriminante Linea
Classificação
title_short Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
title_full Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
title_fullStr Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
title_full_unstemmed Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
title_sort Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
author Rodrigo Portela Ferreira, Marcelo
author_facet Rodrigo Portela Ferreira, Marcelo
author_role author
dc.contributor.none.fl_str_mv José Amorim do Amaral, Getúlio
dc.contributor.author.fl_str_mv Rodrigo Portela Ferreira, Marcelo
dc.subject.por.fl_str_mv Análise Discriminante Linea
Classificação
topic Análise Discriminante Linea
Classificação
description Desde que tecnologia da informação tornou-se essencial para muitas atividades da vida moderna e grandes conjuntos de dados surgiram junto com ela, mineração de dados tornou-se uma das mais importantes áreas de pesquisa na ciência estatística. Apesar de existirem muitos campos relacionados a mineração de dados, a tarefa de classificação ainda figura como uma das mais comuns na literatura estatística. Esta dissertação faz uma revisão de dois métodos clássicos de classificação, análise discriminante linear e quadrática, e um método não-paramétrico, a análise discriminante de núcleo. Experimentos de simulação e conjuntos de dados reais são utilizados para avaliar e comparar os três métodos de classificação. Também apresenta algumas contribuições relacionadas aos métodos boosting e bootstrap no contexto de classificação. A primeira contribuição trata-se de uma nova formulação para o método boosting em análise discriminante linear. Os resultados numéricos mostram que esta nova formulação tem desempenho similar à formulação usual. Entretanto, a nova formulação do método boosting é conceitualmente mais adequada. Dois métodos bootstrap para problemas de classificação são introduzidos e avaliados. O primeiro método bootstrap é utilizado para obter uma fronteira de classificação. O conceito de fronteira de classificação pode ser entendido como uma região onde é difícil alocar uma observação para uma das populações existentes. O segundo método bootstrap é um intervalo de confiança para a taxa de erro de classificação. Intervalos de confiança podem ser utilizados para comparar dois ou mais métodos de classificação na estrutura de inferência
publishDate 2007
dc.date.none.fl_str_mv 2007
2014-06-12T18:03:40Z
2014-06-12T18:03:40Z
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 Rodrigo Portela Ferreira, Marcelo; José Amorim do Amaral, Getúlio. Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap. 2007. Dissertação (Mestrado). Programa de Pós-Graduação em Estatística, Universidade Federal de Pernambuco, Recife, 2007.
https://repositorio.ufpe.br/handle/123456789/6288
identifier_str_mv Rodrigo Portela Ferreira, Marcelo; José Amorim do Amaral, Getúlio. Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap. 2007. Dissertação (Mestrado). Programa de Pós-Graduação em Estatística, Universidade Federal de Pernambuco, Recife, 2007.
url https://repositorio.ufpe.br/handle/123456789/6288
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1856041977220431872

Registros relacionados