Dissertação

Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos

Na presente dissertação apresentamos uma nova abordagem para aplicações em Análise Discriminante (AD) para problemas cujas observações no conjunto de treinamento são oriundas de séries temporais, empregando o Classificador de Bayes e modelando as distribuições nas classes com o emprego de Modelos...

ver descrição completa

Autor principal: Santos, Diana Dorgam de Aguiar dos
Outros Autores: http://lattes.cnpq.br/8765641322019309
Grau: Dissertação
Idioma: por
Publicado em: Universidade Federal do Amazonas 2017
Assuntos:
Análise discriminante
Classificador de Bayes
Modelos lineares dinâmicos
Séries Temporais
CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
Acesso em linha: http://tede.ufam.edu.br/handle/tede/6041
id oai:https:--tede.ufam.edu.br-handle-:tede-6041
recordtype dspace
spelling oai:https:--tede.ufam.edu.br-handle-:tede-60412020-03-13T15:20:22Z Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos Santos, Diana Dorgam de Aguiar dos Pereira, José Raimundo Gomes http://lattes.cnpq.br/8765641322019309 http://lattes.cnpq.br/3697983438100904 Análise discriminante Classificador de Bayes Modelos lineares dinâmicos Séries Temporais CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA Na presente dissertação apresentamos uma nova abordagem para aplicações em Análise Discriminante (AD) para problemas cujas observações no conjunto de treinamento são oriundas de séries temporais, empregando o Classificador de Bayes e modelando as distribuições nas classes com o emprego de Modelos Lineares Dinâmicos. Foram realizados os desenvolvimentos teóricos necessários para a obtenção de uma forma analítica para as probabilidades a posteriori das classes. Para avaliar a abordagem proposta foram desenvolvidos estudos de simulação, tanto para avaliar as estratégias da escolha do procedimento da estimação da variância, como também, determinar as taxas de erro (TE) de classificação para compará-las com outras abordagens usuais para classificadores em AD. Foram simuladas observações de séries temporais com diferentes estruturas de separação das classes e com diferentes tamanhos para o conjunto de treinamento. A abordagem proposta também foi aplicada em dados de problemas reais, com diferentes graus de dificuldades com relação ao número de classes, tamanho das séries e o número de observações no conjunto de treinamento, sendo então comparadas suas TE com as de outros classificadores. Embora sejam necessários estudos mais completos, os resultados obtidos sugerem que a abordagem paramétrica desenvolvida se constitui em uma alternativa promissora para esta categoria de problemas em AD, com observações de séries temporais, em particular, em um contexto bastante desafiador na prática quando temos séries com tamanhos grandes com relação ao número de observações nas classes. In this work we present a new approach for applications in Discriminant Analysis (DA) to problems whose observations in the training set are from time series, using the Bayes classifier and modeling the classes distributions in with Linear Dynamic Models. Theoretical developments were conducted to obtain an analytic form for the classe posterior probability. The simulation studies have been developed to evaluate the proposed approach, to evaluate different strategies to estimate the model variance and determine the classification error rates (ET) to compare them with other usual approaches in AD. Time series were simulated with different structures of classes separation and with different sizes for the training set. The proposed approach was also applied to data from real problems with different degrees of difficulty with respect to the classes number, the time series size and number of observations in the training set. With real data the proposed classifier was compared with other classifiers in terms of error rate. Although it is needed most complete studies, the results suggest that this parametric approach developed constitutes a promising alternative for problems in AD with time series, particularly in a challenging context when the size time series is much large than the number of observations in the classes. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior 2017-12-04T14:18:04Z 2017-08-09 Dissertação SANTOS, Diana Dorgam de Aguiar dos. Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos. 2017. 64 f. Dissertação (Mestrado em Matemática) - Universidade Federal do Amazonas, Manaus, 2017. http://tede.ufam.edu.br/handle/tede/6041 por Acesso Aberto http://creativecommons.org/licenses/by-nc-nd/4.0/ 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 Análise discriminante
Classificador de Bayes
Modelos lineares dinâmicos
Séries Temporais
CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
spellingShingle Análise discriminante
Classificador de Bayes
Modelos lineares dinâmicos
Séries Temporais
CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
Santos, Diana Dorgam de Aguiar dos
Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos
topic_facet Análise discriminante
Classificador de Bayes
Modelos lineares dinâmicos
Séries Temporais
CIÊNCIAS EXATAS E DA TERRA: MATEMÁTICA
description Na presente dissertação apresentamos uma nova abordagem para aplicações em Análise Discriminante (AD) para problemas cujas observações no conjunto de treinamento são oriundas de séries temporais, empregando o Classificador de Bayes e modelando as distribuições nas classes com o emprego de Modelos Lineares Dinâmicos. Foram realizados os desenvolvimentos teóricos necessários para a obtenção de uma forma analítica para as probabilidades a posteriori das classes. Para avaliar a abordagem proposta foram desenvolvidos estudos de simulação, tanto para avaliar as estratégias da escolha do procedimento da estimação da variância, como também, determinar as taxas de erro (TE) de classificação para compará-las com outras abordagens usuais para classificadores em AD. Foram simuladas observações de séries temporais com diferentes estruturas de separação das classes e com diferentes tamanhos para o conjunto de treinamento. A abordagem proposta também foi aplicada em dados de problemas reais, com diferentes graus de dificuldades com relação ao número de classes, tamanho das séries e o número de observações no conjunto de treinamento, sendo então comparadas suas TE com as de outros classificadores. Embora sejam necessários estudos mais completos, os resultados obtidos sugerem que a abordagem paramétrica desenvolvida se constitui em uma alternativa promissora para esta categoria de problemas em AD, com observações de séries temporais, em particular, em um contexto bastante desafiador na prática quando temos séries com tamanhos grandes com relação ao número de observações nas classes.
author_additional Pereira, José Raimundo Gomes
author_additionalStr Pereira, José Raimundo Gomes
format Dissertação
author Santos, Diana Dorgam de Aguiar dos
author2 http://lattes.cnpq.br/8765641322019309
author2Str http://lattes.cnpq.br/8765641322019309
title Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos
title_short Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos
title_full Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos
title_fullStr Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos
title_full_unstemmed Classificação de séries temporais via Classificador de Bayes empregando Modelos Lineares Dinâmicos
title_sort classificação de séries temporais via classificador de bayes empregando modelos lineares dinâmicos
publisher Universidade Federal do Amazonas
publishDate 2017
url http://tede.ufam.edu.br/handle/tede/6041
_version_ 1831969562028933120
score 11.753896

Registros relacionados