Regressões paramétricas, semiparamétricas e algoritmos de aprendizado de máquina

• Processo: 24/10798-4
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Ciências Agrárias - Agronomia
• Pesquisador responsável: Edwin Moises Marcos Ortega
• Beneficiário: Edwin Moises Marcos Ortega
• Pesquisador Anfitrião: Victor Hugo Lachos Davila
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Instituição Anfitriã: University of Connecticut (UCONN), Estados Unidos
• Assunto(s): Análise de sobrevivência Árvore de decisão Modelos de regressão Validação cruzada
• Palavra(s)-Chave do Pesquisador: Análise de Sobrevivência | Árvore de decisão | florestas aleatórias | Modelos de Regressão | validação cruzada | Estatística e Experimentação Agronômica.

Resumo

Atualmente, grandes volumes de dados são gerados provenientes de diferentes áreas de conhecimento, possuindo uma variedade de características. Neste sentido, metodologias alternativas são necessárias para acomodar de forma adequada e eficiente tais particularidades, de modo a obter-se o maior número de informações possíveis a respeito dos dados de interesse. Nesse sentido este projeto propõe-se diferentes modelos de regressão considerando a família odd log-logística generalizada-G. Estes modelos de regressão buscaram acomodar características como heterogeneidade de variâncias, relações não lineares e diferentes funções de risco. A proposta tem o objetivo de comparar o desempenho preditivo dos modelos com algoritmos de aprendizado de máquinas: árvores de decisão, florestas aleatórias, florestas aleatórias de sobrevivência e XGBoost. Propriedades estruturais das novas distribuições serão fornecidas. Aplicações serão realizadas em diferentes áreas de pesquisa (agronomia, engenharias, biologia, química, dentre outras), ilustrando a utilidade dos novos modelos. Quanto à capacidade preditiva, seu desempenho será comparado aos algoritmos de aprendizado de máquina, por meio de estudos de simulações e aplicações a dados reais.