Dissertação

Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo

Reconhecimento e classificação de padrões são problemas importantes em uma variedade de áreas científicas, como biologia, psicologia, medicina, visão computacional e etc. Porém este problema não é de fácil solução quando a distribuição de probabilidade dos dados é totalmente desconhecida. Neste trab...

ver descrição completa

Autor principal: Souza, Diego da Silva
Outros Autores: http://lattes.cnpq.br/1429020567676164
Grau: Dissertação
Idioma: por
Publicado em: UNIVERSIDADE FEDERAL DO AMAZONAS 2016
Assuntos:
Densidade preditiva
Estimador de núcleo
Estimação bayesiana
CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
Acesso em linha: http://tede.ufam.edu.br/handle/tede/4964
id oai:https:--tede.ufam.edu.br-handle-:tede-4964
recordtype dspace
spelling oai:https:--tede.ufam.edu.br-handle-:tede-49642019-08-21T20:23:17Z Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo Souza, Diego da Silva Lima, Max Sousa de http://lattes.cnpq.br/1429020567676164 http://lattes.cnpq.br/1441109588479595 Densidade preditiva Estimador de núcleo Estimação bayesiana CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA Reconhecimento e classificação de padrões são problemas importantes em uma variedade de áreas científicas, como biologia, psicologia, medicina, visão computacional e etc. Porém este problema não é de fácil solução quando a distribuição de probabilidade dos dados é totalmente desconhecida. Neste trabalho, combinamos o método de estimação de densidades por Função Núcleo com um enfoque Bayesiano e propomos uma nova abordagem para problemas de classificação usando uma Análise Discriminante via Distribuições Preditivas Aproximadas. Estudos de simulação e aplicação em conjuntos de dados reais bastante utilizados na literatura, foram conduzidos como forma de avaliação dos métodos propostos. Os resultados mostraram que a performace dos métodos propostos são competitivos, e em alguns casos significantemente melhor, com os métodos clássicos da literatura, Análise Discriminante Linear (ADL), Análise Discriminante Quadrática (ADQ) e Análise Discriminante Naive Bayes com distribuição Normal (NNBDA). Pattern Recognition and Classification problems are importantes in a variety of science fields, such as biology, psychology, medice, computer vision and etc. However, the problem is not so easy to solve when the true probability distribution of data is unknown. In this work, we combine the Kernel density estimation method with a Bayesian approach and propose a new method for classification problems using Discriminant Analisys via Approximate Predictive Distribution. Simulation studies and application in data sets widely used in literature, were conducted as an assessment of the proposed methods. The results showed that the performace of the proposed methods are competitive, and in some cases significantly better, with classical methods of literature, Linear Discriminant Analisys (LDA), Quadratic Discriminant Analisys (QDA) and Naive Bayes Discriminant Analisys with Normal distribution (NNBDA). CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior 2016-04-14T18:09:57Z 2012-12-19 Dissertação SOUZA, Diego da Silva. Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo. 2012. 110 f. Dissertação (Mestrado em Matemática) - Universidade Federal do Amazonas, Manaus, 2012. http://tede.ufam.edu.br/handle/tede/4964 por Acesso Aberto application/pdf UNIVERSIDADE FEDERAL DO AMAZONAS Instituto De Ciências Exatas Brasil UFAM Programa de Pós-graduação em Matemática
institution TEDE - Universidade Federal do Amazonas
collection TEDE-UFAM
language por
topic Densidade preditiva
Estimador de núcleo
Estimação bayesiana
CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
spellingShingle Densidade preditiva
Estimador de núcleo
Estimação bayesiana
CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
Souza, Diego da Silva
Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo
topic_facet Densidade preditiva
Estimador de núcleo
Estimação bayesiana
CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
description Reconhecimento e classificação de padrões são problemas importantes em uma variedade de áreas científicas, como biologia, psicologia, medicina, visão computacional e etc. Porém este problema não é de fácil solução quando a distribuição de probabilidade dos dados é totalmente desconhecida. Neste trabalho, combinamos o método de estimação de densidades por Função Núcleo com um enfoque Bayesiano e propomos uma nova abordagem para problemas de classificação usando uma Análise Discriminante via Distribuições Preditivas Aproximadas. Estudos de simulação e aplicação em conjuntos de dados reais bastante utilizados na literatura, foram conduzidos como forma de avaliação dos métodos propostos. Os resultados mostraram que a performace dos métodos propostos são competitivos, e em alguns casos significantemente melhor, com os métodos clássicos da literatura, Análise Discriminante Linear (ADL), Análise Discriminante Quadrática (ADQ) e Análise Discriminante Naive Bayes com distribuição Normal (NNBDA).
author_additional Lima, Max Sousa de
author_additionalStr Lima, Max Sousa de
format Dissertação
author Souza, Diego da Silva
author2 http://lattes.cnpq.br/1429020567676164
author2Str http://lattes.cnpq.br/1429020567676164
title Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo
title_short Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo
title_full Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo
title_fullStr Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo
title_full_unstemmed Análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo
title_sort análise discriminante via distribuições preditivas aproximadas por estimadores por função núcleo
publisher UNIVERSIDADE FEDERAL DO AMAZONAS
publishDate 2016
url http://tede.ufam.edu.br/handle/tede/4964
_version_ 1831969372269182976
score 11.753896

Registros relacionados