dc.contributor | Ferraz, Cristiano | |
dc.creator | Fernandes Campos Coêlho, Hémilio | |
dc.date | 2014-06-12T18:03:36Z | |
dc.date | 2014-06-12T18:03:36Z | |
dc.date | 2007 | |
dc.identifier | Fernandes Campos Coêlho, Hémilio; Ferraz, Cristiano. A abordagem de cadastro duplo (Dual Frame): estimação assistida por modelos Lineares com aplicação em pesquisas agropecuárias. 2007. Dissertação (Mestrado). Programa de Pós-Graduação em Estatística, Universidade Federal de Pernambuco, Recife, 2007. | |
dc.identifier | https://repositorio.ufpe.br/handle/123456789/6284 | |
dc.description | Desde que tecnologia da informação tornou-se essencial para muitas atividades da vida moderna e grandes conjuntos de dados surgiram junto com ela, mineração de dados tornou-se uma das mais importantes áreas de pesquisa na ciência estatística. Apesar de existirem muitos campos relacionados a mineração de dados, a tarefa de classificação ainda figura como uma das mais comuns na literatura estatística. Esta dissertação faz uma revisão de dois métodos clássicos de classificação, análise discriminante linear e quadrática, e um método não-paramétrico, a análise discriminante de núcleo. Experimentos de simulação e conjuntos de dados reais são utilizados para avaliar e comparar os três métodos de classificação. Também apresenta algumas contribuições relacionadas aos métodos boosting e bootstrap no contexto de classificação. A primeira contribuição trata-se de uma nova formulação para o método boosting em análise discriminante linear. Os resultados numéricos mostram que esta nova formulação tem desempenho similar à formulação usual. Entretanto, a nova formulação do método boosting é conceitualmente mais adequada. Dois métodos bootstrap para problemas de classificação são introduzidos e avaliados. O primeiro método bootstrap é utilizado para obter uma fronteira de classificação. O conceito de fronteira de classificação pode ser entendido como uma região onde é difícil alocar uma observação para uma das populações existentes. O segundo método bootstrap é um intervalo de confiança para a taxa de erro de classificação. Intervalos de confiança podem ser utilizados para comparar dois ou mais métodos de classificação na estrutura de inferência | |
dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico | |
dc.format | application/pdf | |
dc.language | por | |
dc.publisher | Universidade Federal de Pernambuco | |
dc.subject | Classificação | |
dc.subject | Análise Discriminante Linear | |
dc.title | A abordagem de cadastro duplo (Dual Frame): estimação assistida por modelos Lineares com aplicação em pesquisas agropecuárias | |
dc.type | masterThesis | |