| dc.contributor | Ferreira, Clécio da Silva | |
| dc.contributor | http://lattes.cnpq.br/7842524715253287 | |
| dc.contributor | Ferreira, Clécio da Silva | |
| dc.contributor | http://lattes.cnpq.br/7842524715253287 | |
| dc.contributor | Zeller, Camila Borelli | |
| dc.contributor | http://lattes.cnpq.br/6671405481844657 | |
| dc.contributor | Magalhães, Tiago Maia | |
| dc.contributor | http://lattes.cnpq.br/7953363504273397 | |
| dc.creator | Penna, Isabela Lopes | |
| dc.date | 2021-05-24T19:59:14Z | |
| dc.date | 2021-03-18 | |
| dc.date | 2021-05-24T19:59:14Z | |
| dc.date | 2021-03-17 | |
| dc.date.accessioned | 2023-09-29T15:03:12Z | |
| dc.date.available | 2023-09-29T15:03:12Z | |
| dc.identifier | https://repositorio.ufjf.br/jspui/handle/ufjf/12727 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9123969 | |
| dc.description | In many cases, it is necessary to deal with databases with a large number of variables, bases called Big Data. In some situations it is necessary to reduce the number of these variables, either to have a model with only the significant variables or to solve problems such as multicollinearity. With this, several methods have emerged to solve the above cases. This work proposed to study the different selection methods in multiple linear regression models, such as methods of selecting subsets of variables, methods of regularization and methods of dimensionality reduction. Cross-validation procedures were used in the regularization processes for selecting the models. Real data applications were performed using the R Core Team software (2018). | |
| dc.description | Em diversos casos é preciso lidar com bases de dados com um grande número de variáveis, bases essas denominadas Big Data. Em algumas situações se faz necessário reduzir o número dessas variáveis, seja para se ter um modelo apenas com as variáveis significativas ou para sanar problemas como multicolinearidade. Com isso surgiram vários métodos para solucionar os casos acima. Esse trabalho se propôs a estudar os diferentes métodos de seleção em modelos de regressão linear múltipla, como métodos de seleção de subconjuntos de variáveis, métodos de regularização e métodos de redução de dimensionalidade. Procedimentos de validação cruzada foram utilizados nos processos de regularização para seleção dos modelos. Aplicações em dados reais foram realizadas utilizando o software R Core Team (2018). | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Juiz de Fora (UFJF) | |
| dc.publisher | Brasil | |
| dc.publisher | ICE – Instituto de Ciências Exatas | |
| dc.publisher | UFJF | |
| dc.rights | Acesso Aberto | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.subject | Seleção de Variáveis Regressoras | |
| dc.subject | Selection of Regressor Variables | |
| dc.subject | Mínimos Quadrados Parciais | |
| dc.subject | Ridge Regression | |
| dc.subject | Regressão Ridge | |
| dc.subject | LASSO Regression | |
| dc.subject | Regressão LASSO | |
| dc.subject | Regressão de Componentes Principais | |
| dc.subject | Partial Least Squares | |
| dc.subject | Principal Component Regression | |
| dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA | |
| dc.title | Seleção de modelos de regressão linear em bases de alta dimensão | |
| dc.type | Trabalho de Conclusão de Curso | |
