Regressão por vetores de suporte em alta dimensão: aplicação e comparação com métodos paramétricos

• Processo: 19/12774-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2019
• Data de Término da vigência: 31 de julho de 2020
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Chang Chiann
• Beneficiário: Danilo Vieira Silva
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Modelagem de dados Modelagem
• Palavra(s)-Chave do Pesquisador: Lasso | Modelagem | Regressão por vetores de suporte | Regressão Ridge | Modelagem de Dados

Resumo

Neste trabalho, estudaremos a metodologia teórica de regressão por vetores de suporte (SVR), voltados para analisar os conjuntos de dados com alta dimensão. O nosso objetivo consiste na comparação do desempenho dessa técnica com as técnicas convencionais paramétricas. Os métodos paramétricos que serão comparados são: regressão Ridge e Lasso. Esses métodos paramétricos são os mais utilizados em problemas de altas dimensões. Com a finalidade de ilustrar os métodos estudados neste projeto, utilizaremos uma base de dados do Kaggle (uma plataforma para competições de Data Science) chamada "House Prices: Advanced Regression Techniques", que consiste no preço de venda de casas em os dólares com 79 variáveis explicativas descrevendo os aspectos das casas.