Skip navigation
Please use this identifier to cite or link to this item: https://repositorio.ufpe.br/handle/123456789/6288
Title: Análise discriminante clássica e de núcleo: avaliação e algumas contribuições relativas aos métodos Boosting e Bootstrap
Authors: Rodrigo Portela Ferreira, Marcelo
Keywords: Análise Discriminante Linea; Classificação
Issue Date: 2007
Publisher: Universidade Federal de Pernambuco
Citation: 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.
Abstract: 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
URI: https://repositorio.ufpe.br/handle/123456789/6288
Appears in Collections:Dissertações de Mestrado - Estatística

Files in This Item:
File Description SizeFormat 
arquivo7186_1.pdf1.83 MBAdobe PDFView/Open


This item is protected by original copyright



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.