Dissertação

Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante

Em muitas aplicações de Análise Discriminante (AD) as observações das variáveis no vetor de características são confinadas ao intervalo (0,1), por exemplo, classificação de pixels em imagens digitais. Neste trabalho, investigamos o emprego do Classificador de Bayes (CB) para estas aplicações, modela...

ver descrição completa

Autor principal: Barbosa, Sarah Pinheiro
Outros Autores: http://lattes.cnpq.br/4875598837698360
Grau: Dissertação
Idioma: por
Publicado em: Universidade Federal do Amazonas 2019
Assuntos:
Análise Discriminante
Mistura Finita de Densidades
Distribuição Beta
Distribuição Dirichlet
Simulação Computacional
CIÊNCIAS EXATAS E DA TERRA: PROBABILIDADE E ESTATÍSTICA
Acesso em linha: https://tede.ufam.edu.br/handle/tede/6919
id oai:https:--tede.ufam.edu.br-handle-:tede-6919
recordtype dspace
spelling oai:https:--tede.ufam.edu.br-handle-:tede-69192019-02-01T05:03:55Z Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante Finite mixtures of beta and Dirichlet densities applied in discriminant analysis Barbosa, Sarah Pinheiro Pereira, José Raimundo Gomes http://lattes.cnpq.br/4875598837698360 http://lattes.cnpq.br/3697983438100904 Costa, José Mir Justino da http://lattes.cnpq.br/2396817509327075 Matos, Larissa Avila http://lattes.cnpq.br/6330766834005870 Análise Discriminante Mistura Finita de Densidades Distribuição Beta Distribuição Dirichlet Simulação Computacional CIÊNCIAS EXATAS E DA TERRA: PROBABILIDADE E ESTATÍSTICA Em muitas aplicações de Análise Discriminante (AD) as observações das variáveis no vetor de características são confinadas ao intervalo (0,1), por exemplo, classificação de pixels em imagens digitais. Neste trabalho, investigamos o emprego do Classificador de Bayes (CB) para estas aplicações, modelando as distribuições nas classes com emprego de Misturas Finitas de Densidades Betas e de Dirichlet. Para investigar e avaliar esta modelagem, desenvolvemos um estudo de simulação, analisando a estimação das densidades e dos parâmetros, assim como, as Taxas de Erro (TE) de classificação. Foram simulados problemas com diferentes estruturas, relativas ao número de componentes, tamanho do conjunto de treinamento, à sobreposição e distribuição das classes. Os resultados do estudo sugerem que os modelos avaliados são capazes de se ajustar aos diferentes problemas considerados, desde os mais simples aos mais complexos, em termos de modelagem das observações para fins de classificação. Com dados reais, situações onde desconhecemos as formas das distribuições nas classes, os CB’s com os modelos implementados apresentaram TE razoáveis quando comparados a outros classificadores mais usuais. Como uma limitação, a modelagem apresenta melhores desempenhos com um número relativamente alto de observações no conjunto de treinamento. In many Discriminant Analysis (DA) applications the observations of the variables in the characteristic vector are confined on the interval (0,1), p.e, pixel classification in digital images. In this work, we investigated the use of the Bayes Classifier (BC) for these applications, modeling the distributions in the classes using Finite Mixture Density Betas and the Dirichlet. To investigate and evaluate this model, we developed a simulation study, analyzing the estimation of densities and the parameters, as well as the Classification Error Rates (ER). Problems were simulated with different structures, relative to the number of components, training set size, overlap and class distribution. The results of the study suggest that the models evaluated are able to adjust to the different problems considered, from the simplest to the most complex, in terms of modeling observations for classification purposes. With real data, situations where the class distributions are unknow, the BC’s with the implemented models presented reasonable TE when compared to other more usual classifiers. As a limitation, the modeling presents better performances with a relatively high number of observations in the training set. CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior 2019-01-31T19:47:31Z 2018-03-12 Dissertação BARBOSA, Sarah Pinheiro. Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante. 2018. 128 f. Dissertação (Mestrado em Matemática) - Instituto de Ciências Exatas, Universidade Federal do Amazonas, Manaus, 2018. https://tede.ufam.edu.br/handle/tede/6919 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 Análise Discriminante
Mistura Finita de Densidades
Distribuição Beta
Distribuição Dirichlet
Simulação Computacional
CIÊNCIAS EXATAS E DA TERRA: PROBABILIDADE E ESTATÍSTICA
spellingShingle Análise Discriminante
Mistura Finita de Densidades
Distribuição Beta
Distribuição Dirichlet
Simulação Computacional
CIÊNCIAS EXATAS E DA TERRA: PROBABILIDADE E ESTATÍSTICA
Barbosa, Sarah Pinheiro
Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante
topic_facet Análise Discriminante
Mistura Finita de Densidades
Distribuição Beta
Distribuição Dirichlet
Simulação Computacional
CIÊNCIAS EXATAS E DA TERRA: PROBABILIDADE E ESTATÍSTICA
description Em muitas aplicações de Análise Discriminante (AD) as observações das variáveis no vetor de características são confinadas ao intervalo (0,1), por exemplo, classificação de pixels em imagens digitais. Neste trabalho, investigamos o emprego do Classificador de Bayes (CB) para estas aplicações, modelando as distribuições nas classes com emprego de Misturas Finitas de Densidades Betas e de Dirichlet. Para investigar e avaliar esta modelagem, desenvolvemos um estudo de simulação, analisando a estimação das densidades e dos parâmetros, assim como, as Taxas de Erro (TE) de classificação. Foram simulados problemas com diferentes estruturas, relativas ao número de componentes, tamanho do conjunto de treinamento, à sobreposição e distribuição das classes. Os resultados do estudo sugerem que os modelos avaliados são capazes de se ajustar aos diferentes problemas considerados, desde os mais simples aos mais complexos, em termos de modelagem das observações para fins de classificação. Com dados reais, situações onde desconhecemos as formas das distribuições nas classes, os CB’s com os modelos implementados apresentaram TE razoáveis quando comparados a outros classificadores mais usuais. Como uma limitação, a modelagem apresenta melhores desempenhos com um número relativamente alto de observações no conjunto de treinamento.
author_additional Pereira, José Raimundo Gomes
author_additionalStr Pereira, José Raimundo Gomes
format Dissertação
author Barbosa, Sarah Pinheiro
author2 http://lattes.cnpq.br/4875598837698360
author2Str http://lattes.cnpq.br/4875598837698360
title Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante
title_short Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante
title_full Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante
title_fullStr Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante
title_full_unstemmed Misturas finitas de densidades beta e de Dirichlet aplicadas em análise discriminante
title_sort misturas finitas de densidades beta e de dirichlet aplicadas em análise discriminante
publisher Universidade Federal do Amazonas
publishDate 2019
url https://tede.ufam.edu.br/handle/tede/6919
_version_ 1831969711658631168
score 11.753735

Registros relacionados