Estimação não parametrica aplicada a problemas de classificação via Bagging e Boosting

Autor(es)

Alexandre Rubesam

• Tipo de documento: Dissertação de Mestrado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Instituto de Matemática, Estatística e Computação Científica
• Data de defesa: 2004-02-27

Membros da banca

Ronaldo Dias; Fernando José Von Zuben; Julio Michael Stern; Jesus Enrique Garcia

• Orientador: Ronaldo Dias

Resumo

Alguns dos métodos mais modernos e bem sucedidos de classificação são bagging, boosting e SVM (Support Vector M achines ). B agging funciona combinando classificadores ajustados em amostras bootstrap dos dados; boosting funciona aplicando-se seqüencialmente um algoritmo de classificação a versões reponderadas do conjunto de dados de treinamento, dando maior peso às observações classificadas erroneamente no passo anterior, e SVM é um método que transforma os dados originais de maneira não linear para um espaço de dimensão maior, e procura um hiperplano separador neste espaço transformado. N este trabalho estudamos os métodos descritos acima, e propusemos dois métodos de classificação, um baseado em regressão não paramétrica por Hsplines (também proposto aqui) e boosting, e outro que é uma modificação de um algoritmo de boosting baseado no algoritmo MARS. Os métodos foram aplicados em dados simulados e em dados reais (AU)

• Processo FAPESP: 01/11346-8 - Estimação não paramétrica de curvas por splines aplicados e problemas de classificação via bagging, boosting e logistic boosting
• Beneficiário: Alexandre Rubesam
• Modalidade de apoio: Bolsas no Brasil - Mestrado