Investigamos o emprego de misturas finitas de densidades na família normal assimétrica
independente, em particular a normal assimétrica e a t assimétrica, para modelar as
distribuições condicionais do vetor de características em Análise Discriminante (AD). O
objetivo é obter modelos capazes de modelar dados com estruturas mais complexas onde,
por exemplo, temos assimetria e multimodalidade, o quemuitas vezes ocorrem em problemas
reais de AD. Para avaliar esta modelagem, desenvolvemos um estudo de simulação
e aplicações em dados reais, analisando a taxa de erro (TE) associadas aos classificadores
obtidos com estes modelos de misturas. Foram simulados problemas com diferentes
estruturas, relativas à separação e distribuição das classes e o tamanho do conjunto de
treinamento. Os resultados do estudo sugerem que os modelos avaliados são capazes de
se ajustar aos diferentes problemas estudados, desde os mais simples aos mais complexos,
em termos de modelagem das observações para fins de classificação. Com os dados
reais, situações onde desconhecemos as formas das distribuições nas classes, os modelos
apresentaram TE’s razoáveis quando comparados a outros classificadores. Como uma
limitação, para os conjuntos de dados analisados, foi observado que a modelagem por
misturas finitas necessita de amostras grandes por classe em situações onde a dimensão
do vetor de características é relativamente alta.
|
