Explorando técnicas de aprendizado de máquina para a classificação de formas tridimensionais

Abstract

Esta dissertação tem como objetivo propor novos métodos supervisionados de clas- sificação para dados de pré-forma, considerando dados tridimensionais para a classifi- cação de dois ou mais grupos conhecidos. Os novos métodos são baseados em técnicas

discriminantes e modelos de aprendizado de máquina já estabelecidos no contexto de classificação, como K vizinhos mais próximos, análise discriminante linear e análise discriminante quadrática. No entanto, a inovação deste trabalho reside na adaptação

dessas técnicas para lidar com dados em espaços não euclidianos, utilizando distân- cias Procrustes para trabalhar com dados de pré-forma, algo que ainda não havia sido

explorado nesse contexto. Isso exigiu a modificação dos modelos tradicionais para traba- lhar com dados matriciais, permitindo uma análise mais precisa e robusta em cenários

onde as relações espaciais e geométricas dos dados são fundamentais para a classifica- ção. Para dados simulados, gerados a partir de uma distribuição normal multivariada,

propomos um cenário de classificação utilizando a taxa de acerto, ou acurácia, como

métrica para avaliar o desempenho dos algoritmos. Nesses testes, todos os modelos al- cançaram bons resultados de acurácia, com destaque para o K vizinhos mais próximos

e o Discriminante Linear. Ao analisarmos os dados de landmarks faciais, com o obje- tivo de classificar entre três classes distintas, verificamos que o modelo discriminante

quadrático se mostrou superior, pois apresentou melhores resultados de acurácia na classificação, especialmente em cenários com mais de duas variáveis. Esse modelo foi mais eficaz em capturar as nuances dos dados tridimensionais, obtendo uma taxa de

acerto mais elevada quando comparado ao K vizinhos mais próximos e ao Discrimi- nante Linear. Isso nos leva a concluir que, em ambos os cenários, os novos métodos

conseguiram classificar com precisão as classes dos dados.